[논문 리뷰] Consistency of Constrained Spectral Clustering under Graph Induced Fair Planted Partitions

Shubham Gupta, Ambedkar Dukkipati|arXiv (Cornell University)|2021. 05. 08.

Complex Network Analysis Techniques인용 수 4

한 줄 요약

이 논문은 '대표성 관계'를 코딩하는 표현 그래프를 사용하여 각 노드가 자신의 민감한 특성에서 충분한 대표자를 포함하도록 보장함으로써 개인 수준의 공정성을 강제하는 표현 인식 스펙트럴 클러스터링 알고리즘—URepSC 및 NRepSC—을 제안한다. 저자들은 새로운 공정한 식물 파artition 모델에서 이러한 방법에 대해 약한 일致성을 확립하였으며, 제약 조건이 있는 스펙트럴 클러스터링에서 개인 수준의 공정성에 대한 이론적 보장을 처음으로 제공한다.

ABSTRACT

Spectral clustering is popular among practitioners and theoreticians alike. While performance guarantees for spectral clustering are well understood, recent studies have focused on enforcing ``fairness'' in clusters, requiring them to be ``balanced'' with respect to a categorical sensitive node attribute (e.g. the race distribution in clusters must match the race distribution in the population). In this paper, we consider a setting where sensitive attributes indirectly manifest in an auxiliary extit{representation graph} rather than being directly observed. This graph specifies node pairs that can represent each other with respect to sensitive attributes and is observed in addition to the usual extit{similarity graph}. Our goal is to find clusters in the similarity graph while respecting a new individual-level fairness constraint encoded by the representation graph. We develop variants of unnormalized and normalized spectral clustering for this task and analyze their performance under a \emph{fair} planted partition model induced by the representation graph. This model uses both the cluster membership of the nodes and the structure of the representation graph to generate random similarity graphs. To the best of our knowledge, these are the first consistency results for constrained spectral clustering under an individual-level fairness constraint. Numerical results corroborate our theoretical findings.

연구 동기 및 목표

• 민감한 특성을 간접적으로 관찰하는 표현 그래프를 통해 유도된 개인 수준의 제약 조건을 기반으로 스펙트럴 클러스터링의 공정성을 향상시키는 것.
• 직접 민감한 특성에 접근할 필요 없이 표현 그래프를 통해 공정성을 통합한 새로운 스펙트럴 클러스터링 변형(URepSC 및 NRepSC)을 개발하는 것.
• 클러스터 구조와 표현 그래프의 위상 구조를 통합하는 새로운 공정한 식물 파artition 모델에서 이러한 알고리즘의 이론적 일치성을 확립하는 것.
• 제안된 방법이 이상적인 규칙성에서 벗어나도 높은 클러스터링 품질을 유지하면서 강력한 공정성을 달성할 수 있음을 실증적으로 보여주는 것.

제안 방법

• 각 노드가 자신의 민감한 특성에서 충분한 대표자(표현 그래프에서 유도됨)를 포함하도록 보장하는 새로운 개인 수준의 공정성 제약 조건—'표현 제약 조건'—을 정식화한다.
• 표현 그래프를 클러스터링 목적 함수에 공정성 제약 조건으로 통합한 URepSC(비정규화) 및 NRepSC(정규화) 스펙트럴 클러스터링 변형을 제안한다.
• $\mathcal{R}$-PP(표현 인식 식물 파artition) 모델을 도입하여, 클러스터 소속과 표현 그래프 $\mathcal{R}$의 구조에 조건부한 무작위 유사도 그래프를 생성한다.
• $d$-정규 표현 그래프에서 $\mathcal{R}$-PP 하에서 URepSC 및 NRepSC의 약한 일치성을 분석하여, 잘못 분류된 노드 수가 $N$에 대해 비선형적으로 증가함을 증명한다.
• 저차원 근사법을 근사 변형(URepSC (approx.), NRepSC (approx.))에 적용하여 계산 비용을 줄이면서도 성능을 유지한다.
• 합성 데이터, FAO 무역 네트워크, 항공 운송 네트워크에서 이론적 결과를 실증적으로 검증하여 경쟁적인 비율 컷과 높은 평균 균형도를 보여준다.

실험 결과

연구 질문

• RQ1 표현 그래프를 통해 유도되는 직접 관측 불가능한 개인 수준의 공정성 제약 조건 하에서 스펙트럴 클러스터링이 일치성을 확보할 수 있는가?
• RQ2 표현 그래프의 구조가 제약 조건이 있는 스펙트럴 클러스터링의 일치성과 성능에 미치는 영향은 어떠한가?
• RQ3 클러스터 구조와 표현 그래프 위상 구조를 통합하는 새로운 식물 파artition 모델이 공정성 인식 클러스터링에 대해 이론적 보장을 제공할 수 있는가?
• RQ4 제안된 표현 인식 스펙트럴 클러스터링 알고리즘이 기존의 공정 클러스터링 방법에 비해 클러스터링 품질과 공정성 지표 측면에서 어떻게 비교되는가?
• RQ5 표현 그래프의 $d$-정규성 가정이 위배될 경우, 알고리즘의 근사 변형이 성능과 공정성을 어느 정도 유지하는가?

주요 결과

• 제안된 URepSC 및 NRepSC 알고리즘은 $d$-정규 표현 그래프에서 $\mathcal{R}$-PP 모델 하에서 약한 일치성을 확보하며, 잘못 분류된 노드 수가 높은 확률로 $o(N)$이 된다.
• 이론적 프레임워크는 이전의 집단 수준의 공정성 연구(예: Kleindessner 등, 2019)를 일반화하며, 그 결과는 특수한 경우로 이르게 된다.
• 실세계 네트워크(Fao 무역 및 항공 운송 네트워크)에서의 실증 결과는 알고리즘이 경쟁적인 비율 컷을 유지하면서도 높은 평균 균형도를 달성함을 보여준다.
• 근사 변형(URepSC (approx.), NRepSC (approx.))은 강력한 성능을 유지하며, 저차원 근사의 랭크 $R$을 조절하여 공정성과 클러스터링 품질 간의 트레이드오프를 제어할 수 있다.
• 표현 그래프의 $d$-정규성 가정이 위배되더라도 알고리즘은 효과적으로 작동하여 실용적 환경에서의 강건성을 보여준다.
• 비율 컷과 평균 균형도의 별도 플롯은 개인 수준의 공정성이 클러스터링 품질에 약간의 비용을 치르지만 상당한 공정성 향상을 가져옴을 확인한다.