[논문 리뷰] Diverse Data Selection under Fairness Constraints

Zafeiria Moumoulidou, Andrew McGregor외 1명|arXiv (Cornell University)|2020. 10. 18.

Mobile Crowdsensing and Crowdsourcing참고 문헌 38인용 수 12

한 줄 요약

이 논문은 정의된 그룹 구성원 비율을 만족시키는 공정성 제약 조건 하에서 최대-최소 다양성에 대한 첫 번째 프레임워크를 제안하며, 이는 상호 간의 높은 다양성과 사전 정의된 그룹 구성원 비율을 모두 보장한다. 이는 상호 배타적 및 겹치는 그룹에 대해 강력한 이론적 근사 보장을 갖는 선형 시간 알고리즘 세 종류를 도입하며, 문제의 NP-완전성을 증명하고 겹치는 그룹 설정으로의 결과 확장을 수행한다.

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.

연구 동기 및 목표

• 범주형 그룹 구성원 비율에 대한 공정성 제약 조건을 부과하면서도 다양성을 확보하는 데이터 서브셋 선택 문제에 대응하기 위해.
• 카디널리티 제약 조건이 있는 메트릭 공간에서 새로운 공정한 최대-최소 다양성 문제를 정식화하고 해결하기 위해.
• 실제 데이터에서 다중 소속이 가능한 경우를 고려한 겹치는 그룹 구조로 프레임워크를 확장하여 적용 가능성을 넓히기 위해.
• 공정성 조건 하에서 다양성 있는 데이터 선택에 대해 근사 품질에 대한 이론적 보장을 제공하기 위해.
• 특히 추천, 팀 편성, 데이터 요약과 같은 분야에서 다양성과 공정성 간의 격차를 메우기 위해.

제안 방법

• 최대-최소 다양성과 그룹 카디널리티 제약 조건을 결합한 공식 문제 정의를 제안하며, 각 그룹이 정확히 $ k_i $개의 원소를 기여하도록 보장한다.
• 그룹 수 $ m $ 과 크기 $ k $ 의 다양한 설정에 맞게 설계된 세 가지 새로운 알고리즘—Fair-Flow, Fair-Swap, Fair-Local—을 도입하며, 모두 선형 시간 $ O(n) $ 내에 실행된다.
• 일반적인 $ m $ 에 대해 유량 기반 접근 방식(Fair-Flow)을 사용하고, $ m=2 $ 인 경우 스왑 기반 방법(Fair-Swap)을 사용하며, 겹치는 그룹에 대해서는 국소 탐색 변형(Fair-Local)을 사용한다.
• 공정성 제약 조건을 분석하기 위해 매트로이드 기반 대응을 활용하며, 이는 분할 매트로이드와 연결되어 이론적 기반을 마련한다.
• 그룹 소속을 초그래프로 모델링하고, 이를 바탕으로 다양성 논리를 적절히 조정하여 겹치는 그룹에 대한 최대-최소 목표를 확장한다.
• 근사 보장 제공: Fair-Flow에 대해 $ frac{1}{5} $, Fair-Swap에 대해 $ frac{1}{4} $, 겹치는 설정에서 Fair-Local에 대해 $ frac{1}{3} $

실험 결과

연구 질문

• RQ1 범주형 그룹 구성원 비율에 대한 공정성 제약 조건과 최대-최소 다양성 선택을 효과적으로 통합할 수 있는가?
• RQ2 카디널리티 제약 조건 하에서 공정한 최대-최소 다양성 문제는 메트릭 공간에서도 여전히 NP-완전한가?
• RQ3 공정한 최대-최소 다양성 선택에 대해 강력한 이론적 근사 보장과 함께 효율적인 선형 시간 알고리즘을 설계할 수 있는가?
• RQ4 실제 데이터셋에서 다중 소속 그룹을 다룰 수 있도록 프레임워크를 어떻게 확장할 수 있는가?
• RQ5 $ frac{1}{5} $ 보다 더 높은 근사 비율을 달성할 수 있는가, 그리고 매트로이드 구조는 이 과정에서 어떤 역할을 하는가?

주요 결과

• 공정한 최대-최소 다양성 문제의 NP-완전성은 메트릭 공간에서도 입증되었으며, 이는 문제의 계산적 난이도를 확인한다.
• Fair-Flow 알고리즘은 일반적인 $ m $ 에 대해 $ frac{1}{5} $-근사 보장을 확보하며, 선형 $ O(n) $ 시간 복잡도를 가진다.
• Fair-Swap 알고리즘은 $ m=2 $ 인 특수 케이스에 대해 $ frac{1}{4} $-근사 보장을 제공하며, 이 영역에서 Fair-Flow를 초월한다.
• Fair-Local 알고리즘은 겹치는 그룹에 대한 프레임워크를 확장하여 $ frac{1}{3} $-근사 보장 보장을 달성한다.
• 이론적 분석을 통해 공정성 제약 조건이 분할 매트로이드와 연결되며, 더 강력한 알고리즘 보장을 가능하게 하고 향후 확장도 가능하게 한다.
• 본 연구는 공정성 제약 조건을 최대-최소 다양성 모델에 공식적으로 통합한 최초의 작업으로, 데이터 선택 분야의 핵심적 격차를 메운다.