[論文レビュー] Diverse Data Selection under Fairness Constraints

Zafeiria Moumoulidou, Andrew McGregor+1 more|arXiv (Cornell University)|Oct 18, 2020

Mobile Crowdsensing and Crowdsourcing参考文献 38被引用数 12

ひとこと要約

本稿は、公平性制約下でのMax-Min多様化のための最初のフレームワークを提案し、高い対間多様性と事前に定義されたグループの代表性を両立させることを保証する。非交差グループおよび重複グループの両方の設定に対して、強い理論的近似保証を持つ線形時間アルゴリズムを3つ導入し、問題がNP完全であることを証明するとともに、重複グループ設定への拡張を実現する。

ABSTRACT

Diversity is an important principle in data selection and summarization, facility location, and recommendation systems. Our work focuses on maximizing diversity in data selection, while offering fairness guarantees. In particular, we offer the first study that augments the Max-Min diversification objective with fairness constraints. More specifically, given a universe $U$ of $n$ elements that can be partitioned into $m$ disjoint groups, we aim to retrieve a $k$-sized subset that maximizes the pairwise minimum distance within the set (diversity) and contains a pre-specified $k_i$ number of elements from each group $i$ (fairness). We show that this problem is NP-complete even in metric spaces, and we propose three novel algorithms, linear in $n$, that provide strong theoretical approximation guarantees for different values of $m$ and $k$. Finally, we extend our algorithms and analysis to the case where groups can be overlapping.

研究の動機と目的

• カテゴリカルなグループ代表性に対する公平性制約を課した状態で、多様なデータサブセットを選択する課題に対処すること。
• グループごとの基数制約を伴うメトリック空間におけるフェアなMax-Min多様化の新規問題を形式化し、解くこと。
• 実世界のデータに多メンバーシップを有する場合の応用範囲を広げるために、重複グループ構造へとフレームワークを拡張すること。
• 公平性を考慮した多様なデータ選択における近似品質について理論的保証を提供すること。
• 特に推薦、チーム編成、データ要約などの応用分野において、多様性と公平性のギャップを埋めること。

提案手法

• Max-Min多様化とグループ基数制約を組み合わせた形式的問題定義を提案し、各グループが正確に $ k_i $ 個の要素を寄与することを保証する。
• グループ数 $ m $ とサイズ $ k $ の異なる設定に特化した3つの新規アルゴリズム—Fair-Flow、Fair-Swap、Fair-Local—を導入し、いずれも線形時間 $ O(n) $ で実行可能である。
• 一般の $ m $ に対してフローに基づくアプローチ（Fair-Flow）を採用し、$ m=2 $ の場合にはスワップに基づく手法（Fair-Swap）を用い、重複グループに対してはローカルサーチの変種（Fair-Local）を適用する。
• 公平性制約の理論的基盤を確立するために、マトロイドに基づく対応関係を用い、パーティションマトロイドと結びつける。
• グループメンバーシップをハイパーグラフとしてモデル化することで、重複グループへのMax-Min目的関数の拡張を実現し、多様化論理を適応的に再設計する。
• 近似保証を提供：Fair-Flowでは $ frac{1}{5} $、Fair-Swapでは $ frac{1}{4} $、重複設定におけるFair-Localでは $ frac{1}{3} $ の近似比を達成する。

実験結果

リサーチクエスチョン

• RQ1 カテゴリカルなグループ代表性に対する公平性制約とMax-Min多様化を効果的に統合できるか？
• RQ2 基数制約下でのフェアなMax-Min多様化問題は、メトリック空間においてもNP完全であるか？
• RQ3 フェアなMax-Min多様化に対して、強力な理論的近似保証を持つ効率的な線形時間アルゴリズムを設計できるか？
• RQ4 実世界のデータセットにおける重複グループメンバーシップを処理するフレームワークをどのように拡張できるか？
• RQ5 $ frac{1}{5} $ を超える近似比を向上させることは可能か？また、マトロイド構造はそのプロセスにおいてどのような役割を果たすか？

主な発見

• フェアなMax-Min多様化問題は、メトリック空間においてもNP完全であることが証明され、計算上の困難性が明確にされた。
• Fair-Flowアルゴリズムは、一般の $ m $ に対して $ frac{1}{5} $-近似を達成し、線形時間 $ O(n) $ の計算量を有する。
• Fair-Swapアルゴリズムは、$ m=2 $ の特殊ケースにおいて $ frac{1}{4} $-近似を達成し、この領域ではFair-Flowを上回る性能を示す。
• Fair-Localアルゴリズムは、重複グループへのフレームワークの拡張を実現し、$ frac{1}{3} $-近似保証を達成する。
• 理論的分析により、公平性制約がパーティションマトロイドと関連づけられ、より強固なアルゴリズム的保証と今後の拡張が可能になる。
• 本研究は、フェアネス制約をMax-Min多様化モデルに形式的に統合した最初の試みであり、データ選択分野における重要な空白を埋めた。