.png){kind=icon}
返回
Fair principal component analysis via eigenvalue optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s10543-026-01109-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主成分分析（PCA）是机器学习中用于降低高维数据集维度的基础技术。然而，PCA可能导致产生有偏表示，从而对数据中的某些子组不利。为解决此问题，引入了公平主成分分析（FPCA）模型以平衡各子组的重构损失，但现有的半定松弛（SDR）方法即使在次优解下计算成本也很高。尽管已开发出几种FPCA变体以提高效率，但它们往往偏离了平衡重构损失这一FPCA的核心目标。本文发现FPCA中的隐含凸性，并提出一种新算法，通过特征值优化求解由此产生的凸优化问题。我们的方法在不牺牲性能的情况下实现了所需的重构损失公平性。在真实数据集上的实验表明，所提出的FPCA算法比SDR算法快约8倍，同时最多比标准PCA慢85%。
Keyword:
Principal component analysis
Fair machine learning
Joint numerical range
Trace minimization
Eigenvalue optimization
期刊
B
IF:
1.7
论文数:
50
被引数:
0
机构
引用论文
.png){kind=icon}
A Novel Approach for Fair Principal Component Analysis Based on Eigendecomposition一种基于特征分解的公平主成分分析新方法
OAAI
OAAI分享收藏
查看更多内容