.png){kind=icon}
返回
A Fair Ensemble Clustering Method
.png){kind=icon}
PRE
AI
DOI：10.3390/sym17122184.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集成聚类已成为通过结合多个聚类结果来提高鲁棒性和准确性的广泛应用技术。然而，传统的集成聚类方法往往无法在由敏感属性定义的群体之间提供公平对待。许多集成方法的核心是对称共关联矩阵，该矩阵基于数据点在基聚类中的共现情况来捕捉成对相似性。本文提出了一种基于对称共关联矩阵的公平集成聚类方法。所提出的方法将公平性约束集成到集成过程的目标函数中，以缺乏公平性考虑的基聚类结果作为输入。优化过程采用迭代方式进行，最终聚类结果直接由通过坐标下降法高效获得的标签矩阵表示。通过将公平性整合到聚类过程中，该方法避免了为达到公平结果而进行后处理的必要性。在真实世界和合成数据集上的全面实验验证了所提出方法的有效性和实用性。
Keyword:
ensemble clustering
fairness
coordinate descent
machine learning
unsupervised learning
期刊
S
IF:
2.2
论文数:
1.4K
被引数:
0
机构
引用论文
分享收藏A multiple k -means clustering ensemble algorithm to find nonlinearly separable clusters.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏CA-Tree: A Hierarchical Structure for Efficient and Scalable Coassociation-Based Cluster Ensembles
PREAI
分享收藏
查看更多内容