[논문 리뷰] A Center in Your Neighborhood: Fairness in Facility Location

Christopher Jung, Sampath Kannan외 1명|arXiv (Cornell University)|2019. 08. 23.

Facility Location and Emergency Management참고 문헌 12인용 수 11

한 줄 요약

이 논문은 각 개인이 지역 인구 밀도에 의해 정의된 지역 반경의 작은 상수 배 이내에 시설이 위치하도록 보장하는 공정성 인식 시설 위치 알고리즘을 제안한다. 공정 k-센터 문제에 대해 2-근사 알고리즘을 제시하고, NP-난이도를 증명하며, 실제 데이터에서 표준 클러스터링 방법보다 공정성과 로드 밸런싱 측면에서 뛰어난 성능을 보임을 실험적으로 입증한다.

ABSTRACT

When selecting locations for a set of facilities, standard clustering algorithms may place unfair burden on some individuals and neighborhoods. We formulate a fairness concept that takes local population densities into account. In particular, given $k$ facilities to locate and a population of size $n$, we define the "neighborhood radius" of an individual $i$ as the minimum radius of a ball centered at $i$ that contains at least $n/k$ individuals. Our objective is to ensure that each individual has a facility within at most a small constant factor of her neighborhood radius. We present several theoretical results: We show that optimizing this factor is NP-hard; we give an approximation algorithm that guarantees a factor of at most 2 in all metric spaces; and we prove matching lower bounds in some metric spaces. We apply a variant of this algorithm to real-world address data, showing that it is quite different from standard clustering algorithms and outperforms them on our objective function and balances the load between facilities more evenly.

연구 동기 및 목표

• 지역 인구 밀도를 고려해 공정성 문제를 해결함으로써, 농촌 및 도시 지역의 개인들이 균형 있게 대우받도록 보장한다.
• 균일한 거리 기준이 아닌 지역 주변의 크기에 기반한 합리적인 기대를 반영하는 공정성 지표를 정의한다.
• 모든 개인의 실제 거리와 지역 반경의 최대 비율을 최소화하는 효율적인 알고리즘을 개발한다.
• 공정성, 로드 밸런싱, 목적 함수 성능 측면에서 제안된 방법을 표준 클러스터링 알고리즘과 실험적으로 평가한다.
• 근사 비율에 대한 이론적 경계를 설정하고 최적화 문제의 NP-난이도를 증명한다.

제안 방법

• 각 개인 i에 대해 지역 인구 밀도를 반영하는 것으로, i의 (⌈n/k⌉)번째로 가까운 이웃까지의 거리로 지역 반경 NR(i)를 정의한다.
• 공정 k-센터 문제를 α(S) = max_i [d(i,S)/NR(i)] 최소화로 공식화하며, 여기서 d(i,S)는 i에서 S에 속한 가장 가까운 시설까지의 거리이다.
• 이중 탐색을 통해 후보 α 값에 대해 적용하고, 근사 중심 선택 절차를 사용해 임의의 메트릭 공간에서 2-근사 보장을 달성하는 알고리즘을 제안한다.
• 공정성과 로드 밸런싱 향상을 위해 후보 중심의 과도한 제거를 피하는 수정된 버전인 FairKCenter 알고리즘을 사용한다.
• 버지니아 주 페어fax 카운티와 펜실베이니아 주 얼렉센시 카운티의 실제 주소 데이터에 알고리즘을 적용하고, k-센터, k-평균, k-중심과 결과를 비교한다.
• α-공정성, 목적 함수 값, 클러스터 크기의 표준편차(로드 밸런싱의 대체 지표)를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 지역 인구 밀도에 기반한 공정성 기준이 기존 클러스터링 방법보다 더 공정한 시설 배치를 이끌 수 있는가?
• RQ2 최적의 공정성 비율 α에 대해 일정 요소 근사 보장을 보장하는 효율적 알고리즘이 존재하는가?
• RQ3 일반 메트릭 공간과 유클리드 공간에서 공정성의 이론적 한계(즉, 가능한 최선의 α)는 무엇인가?
• RQ4 실제 데이터에서 제안된 알고리즘이 기존 클러스터링 알고리즘과 비교해 공정성과 로드 밸런싱 측면에서 어떻게 성능을 내는가?
• RQ5 역할 밀도를 초월해 이웃의 정의를 정교화함으로써 공정성 지표를 향상시킬 수 있는가?

주요 결과

• 제안된 FairKCenter 알고리즘은 임의의 메트릭 공간에서 최대 α-공정성 비율 2를 달성하며, 이는 이론적 2-근사 보장을 제공한다.
• 최적의 α를 찾는 문제는 NP-난이도를 지니며, 정확한 해법의 계산적 비현실성을 입증한다.
• 일부 메트릭 공간에서는 α = 2가 최선의 근사 비율이 되며, 이는 최악의 경우에서 경계가 날카로운 것을 증명한다.
• 유클리드 공간에서는 α의 하한이 √2이므로, 이 설정에서는 상한 2가 날카로운 경계가 아님을 시사한다.
• 페어팩스 및 얼렉센시 카운티의 실제 데이터에서 FairKCenter는 k-센터, k-평균, k-중심보다 훨씬 낮은 α 값을 기록하여 더 뛰어난 공정성을 입증한다.
• FairKCenter는 클러스터 크기의 표준편차가 k-센터 및 기타 방법 대비 25~50% 낮아, 훨씬 뛰어난 로드 밸런싱 성능을 보였다.