[論文レビュー] Approximation Algorithms for Fair Range Clustering

Sèdjro S. Hotegni, Sepideh Mahabadi+1 more|arXiv (Cornell University)|Jun 11, 2023

Facility Location and Emergency Management被引用数 4

ひとこと要約

本稿では、公平kセンター、kメディアン、kミーンズクラスタリングの一般化である公平な範囲ℓpクラスタリングに対する、初めての定数要因近似アルゴリズムを提示する。構造化された線形計画法と新規のネットワークフロー構成を活用することで、すべてのp ∈ [1, ∞)に対してO(1)-近似を達成し、緩和されたグループ表現制約を伴う公平クラスタリング分野における未解決問題を解消した。

ABSTRACT

This paper studies the fair range clustering problem in which the data points are from different demographic groups and the goal is to pick $k$ centers with the minimum clustering cost such that each group is at least minimally represented in the centers set and no group dominates the centers set. More precisely, given a set of $n$ points in a metric space $(P,d)$ where each point belongs to one of the $\ell$ different demographics (i.e., $P = P_1 \uplus P_2 \uplus \cdots \uplus P_\ell$) and a set of $\ell$ intervals $[α_1, β_1], \cdots, [α_\ell, β_\ell]$ on desired number of centers from each group, the goal is to pick a set of $k$ centers $C$ with minimum $\ell_p$-clustering cost (i.e., $(\sum_{v\in P} d(v,C)^p)^{1/p}$) such that for each group $i\in \ell$, $|C\cap P_i| \in [α_i, β_i]$. In particular, the fair range $\ell_p$-clustering captures fair range $k$-center, $k$-median and $k$-means as its special cases. In this work, we provide efficient constant factor approximation algorithms for fair range $\ell_p$-clustering for all values of $p\in [1,\infty)$.

研究の動機と目的

• 選択されたセンターにおける各デモグラフィックグループの最小および最大の代表割合を保証することにより、重心に基づくクラスタリングにおける公平性を確保すること。
• グループごとのセンター数が固定される厳密な公平クラスタリングモデルを、グループ代表割合の下限および上限を設けるより柔軟な「公平な範囲」モデルに一般化すること。
• すべてのp ∈ [1, ∞)に対して、乗法的保証を有する公平な範囲ℓpクラスタリング問題のための効率的近似アルゴリズムを設計すること。
• 特殊ケースにおける進展にもかかわらず、ℓp目的関数を伴う公平な範囲クラスタリングの近似可能性におけるギャップを埋めること。
• 実世界の応用（画像検索やリソース配分を含む）における公平なデータ要約のための実用的かつ理論的に整合性のあるフレームワークを提供すること。

提案手法

• 複雑性を低減するため、スパースな公平な範囲クラスタリング問題のインスタンスに対して、構造化された線形計画法（StructuredLP）を定式化する。
• ソース、施設、グループ、シンクのレイヤーを備えた段階的ネットワークフローインスタンスを構築し、センター選択とグループ制約をモデル化する。
• StructuredLPの半整数最適解を用いてフロー構築を誘導し、妥当性と整数的センター選択を保証する。
• 各施設が選択確率に比例したフローを受け取るように、ソースからシンクへとフローをルーティングする。この際、グループ制約と総センター数kを満たす。
• 得られたセンター集合がすべての公平性制約（αi ≤ |C ∩ Pi| ≤ βi）を満たし、クラスタリングコストが有界であることを証明する。
• 構築された解のコストを最適LP解のコストと関連づけることで近似比を確立し、ℓpノルムに応じて調整した後、O(1)近似が得られることを示す。

実験結果

リサーチクエスチョン

• RQ1 一般のp ∈ [1, ∞)に対して、公平な範囲ℓpクラスタリングのための効率的かつ定数要因近似アルゴリズムを設計できるか？
• RQ2 グループごとのセンター数が固定されるという厳密な要件を緩和することで、公平性を保ちつつ解の品質を向上させられるか？
• RQ3 特にkメディアンおよびkミーンズに対して、ℓp目的関数を伴う公平な範囲クラスタリングの近似可能性はどの程度か？
• RQ4 この制約付き設定において、LP緩和とネットワークフロー技術を用いて乗法的近似保証を達成できるか？
• RQ5 分数のLP解を、グループ制約を満たし、かつ低いクラスタリングコストを維持する整数センター集合に変換する方法はあるか？

主な発見

• 本稿では、すべてのp ∈ [1, ∞)に対して、公平な範囲ℓpクラスタリングのO(1)-近似を達成し、この問題に対する最初の純粋な乗法的近似を提供した。
• 近似要因は、最適LPコストの(9/2)^p倍に抑えられ、ℓpノルムに応じて調整することで定数要因に帰着される。
• 新規のネットワークフロー構成により、すべての公平性制約（αi ≤ |C ∩ Pi| ≤ βi）が満たされつつ、総センター数kが維持される。
• スパースインスタンスの還元と半整数LP解に依存することで、効率的なフロールーティングと整数的センター選択が可能になった。
• 本手法は、p = ∞, 1, 2 に対応するkセンター、kメディアン、kミーンズを、それぞれℓpクラスタリングの特殊ケースとして一般化できる。
• 本フレームワークは、一般のℓp目的関数を伴う公平な範囲クラスタリングに対して、初めて定数要因近似を提供し、分野における未解決問題を解消した。