[논문 리뷰] (Individual) Fairness for k-Clustering

Sepideh Mahabadi, Ali Vakilian|arXiv (Cornell University)|2020. 07. 12.

Facility Location and Emergency Management인용 수 15

한 줄 요약

이 논문은 fair $k$-median 및 $k$-means 클러스터링을 위한 국소 검색 알고리즘을 제안하며, 이는 이중 기준 근사(approximation)를 달성한다: 클러스터링 비용은 최적 fair 클러스터링 비용의 상수 배 이내이며, 공정성 조건—모든 점 $x$가 반경 $r(x)$ 이내에 중심이 존재하는 것—은 근사적으로 만족된다. 이 방법은 반경 기반의 공정성 기준을 통해 클러스터 크기와 비용을 균형 잡음으로써 개인의 공정성을 확보한다.

ABSTRACT

We give a local search based algorithm for $k$-median and $k$-means (and more generally for any $k$-clustering with $\ell_p$ norm cost function) from the perspective of individual fairness. More precisely, for a point $x$ in a point set $P$ of size $n$, let $r(x)$ be the minimum radius such that the ball of radius $r(x)$ centered at $x$ has at least $n/k$ points from $P$. Intuitively, if a set of $k$ random points are chosen from $P$ as centers, every point $x\in P$ expects to have a center within radius $r(x)$. An individually fair clustering provides such a guarantee for every point $x\in P$. This notion of fairness was introduced in [Jung et al., 2019] where they showed how to get an approximately feasible $k$-clustering with respect to this fairness condition. In this work, we show how to get a bicriteria approximation for fair $k$-clustering: The $k$-median ($k$-means) cost of our solution is within a constant factor of the cost of an optimal fair $k$-clustering, and our solution approximately satisfies the fairness condition (also within a constant factor). Further, we complement our theoretical bounds with empirical evaluation.

연구 동기 및 목표

• 모든 점 $x$가 $n/k$개의 점을 포함하는 최소 반경 $r(x)$ 이내에 중심이 존재하도록 보장함으로써 $k$-클러스터링에서 개인의 공정성을 확보하기 위해.
• 최적 fair $k$-median 및 $k$-means 클러스터링을 근사하면서도 공정성 보장을 유지하는 실용적인 알고리즘을 개발하기 위해.
• 이론적 이중 기준 근사 경계를 제공하기 위해: 클러스터링 비용은 상수 배 이내이며, 공정성 위반은 최대 상수 배 이내이다.
• 실세계 환경에서 공정성과 클러스터링 비용 간의 상호 교환 관계를 경험적으로 검증하기 위해.

제안 방법

• 점 $x$를 중심으로 하되, 데이터셋 $P$ 에서 적어도 $n/k$개의 점을 포함하는 최소 반경을 $r(x)$로 정의한다.
• 클러스터링 비용을 줄이고 공정성 위반을 추적하면서 중심을 교체함으로써 $\ell_p$ 비용을 최소화하는 국소 검색 절차를 반복적으로 적용한다.
• 각 점 $x$가 솔루션 내 어떤 중심으로부터도 상수 배 이내의 반경 거리에 있도록 공정성을 유지한다.
• 이중 기준 분석을 적용: 솔루션의 비용은 최적 fair 클러스터링 비용의 상수 배 이내이며, 공정성은 최대 상수 배 이내로 위반된다.
• 반경 $r(x)$의 구조를 활용하여 클러스터당 점의 수를 제한하고 클러스터 크기를 균형 잡힌 상태로 유지한다.

실험 결과

연구 질문

• RQ1 국소 검색 알고리즘이 클러스터링 비용에 대해 상수 배 근사와 함께 $k$-클러스터링에서 개인의 공정성을 근사적으로 만족시킬 수 있는가?
• RQ2 개인의 공정성 조건 하에서, 공정성 반경 $r(x)$는 최적 클러스터링 비용과 어떻게 관련이 있는가?
• RQ3 실제 $k$-median 및 $k$-means 환경에서 공정성과 클러스터링 비용 간의 상호 교환 관계는 어떻게 나타나는가?
• RQ4 일반적인 $\ell_p$ 노름 비용 함수에 대해 fair $k$-clustering에서 이중 기준 근사를 달성할 수 있는가?

주요 결과

• 제안된 알고리즘은 이중 기준 근사를 달성한다: $k$-median 및 $k$-means 비용은 최적 fair 클러스터링 비용의 상수 배 이내이다.
• 공정성 조건은 근사적으로 만족되며, 각 점 $x$가 $r(x)$의 상수 배 이내에 중심이 존재한다.
• 알고리즘은 비용과 공정성에 대해 모두 상수 배 근사 비율을 유지하며, $n$이나 $k$와 무관하다.
• 경험적 평가를 통해 알고리즘이 실제 데이터셋에서 공정성과 클러스터링 비용 간의 유리한 상호 교환 관계를 달성함을 확인하였다.