[論文レビュー] A Center in Your Neighborhood: Fairness in Facility Location

Christopher Jung, Sampath Kannan+1 more|arXiv (Cornell University)|Aug 23, 2019

Facility Location and Emergency Management参考文献 12被引用数 11

ひとこと要約

本稿では、各個人が局所的な人口密度に基づく近隣半径の小さな定数倍以内に施設に到達することを保証する公平性に配慮した施設配置アルゴリズムを提案する。Fair k-Center問題に対して2-近似アルゴリズムを提示し、NP困難性を証明し、実世界のデータにおいて標準的なクラスタリング手法と比較して、公平性および負荷バランスの面で優れていることを実験的に示している。

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.

研究の動機と目的

• 局所的な人口密度を考慮することで、混雑している地域およびスカスカの地域の両方の個人が公平に扱われるよう、施設配置における公平性を改善すること。
• 均一な距離閾値ではなく、局所的な近隣領域のサイズに基づいた現実的期待に合致する公平性指標を定義すること。
• すべての個人について、実際の距離と近隣半径の比の最大値を最小化する効率的なアルゴリズムを開発すること。
• 公平性、負荷バランス、目的関数性能の観点から、標準的なクラスタリングアルゴリズムと比較して提案手法の実験的評価を行うこと。
• 近似比の理論的境界を確立し、最適化問題のNP困難性を証明すること。

提案手法

• 各個人 i に対して、近隣半径 NR(i) を、i から (⌈n/k⌉) 番目に近い近隣者までの距離として定義する。これは局所的な人口密度を反映する。
• Fair k-Center問題を、α(S) = max_i [d(i,S)/NR(i)] を最小化する問題として定式化する。ここで d(i,S) は、i から集合 S 内の最近隣の施設までの距離を表す。
• 任意の度合い空間で動作する2-近似保証を持つアルゴリズムを提案する。これは、候補となる α 値の二分探索と、貪欲なセンター選択手順を用いる。
• 候補となるセンターの過剰な削除を避けるように変更したバージョンのアルゴリズム、FairKCenter を使用することで、公平性と負荷バランスを向上させる。
• バージニア州フェアfax郡およびペンシルベニア州アレゲニ郡の実際の住所データにアルゴリズムを適用し、k-center、k-means、k-medians と結果を比較する。
• α-公平性、目的関数値、およびクラスタサイズの標準偏差（負荷バランスの代理指標）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 局所的な人口密度に基づく公平性基準は、標準的なクラスタリング手法と比較して、より公平な施設配置を実現できるか？
• RQ2 最適な公平性比 α の定数倍近似を保証する効率的なアルゴリズムは存在するか？
• RQ3 一般の度合い空間およびユークリッド空間において、公平性の理論的限界（つまり、最良の可能な α）は何か？
• RQ4 実世界のデータにおいて、提案手法は k-center、k-means、k-medians と比較して、公平性および負荷バランスの面で優れているか？
• RQ5 逆密度を越えて近隣の定義を精緻化することで、公平性指標を改善できるか？

主な発見

• 提案された FairKCenter アルゴリズムは、任意の度合い空間で α-公平性比が 2 未満となることが保証され、理論的2-近似保証を有する。
• 最適な α を求める問題は NP 困難であることが示され、正確な解法の計算的非実行可能性が立証された。
• 一部の度合い空間では α = 2 が最良の近似比であることが示され、最悪ケースにおいてこの境界がタイトであることが証明された。
• ユークリッド空間では α の下限が √2 であることが示され、この設定では上界の 2 がタイトではないことが示された。
• フェアfax郡およびアレゲニ郡の実データにおいて、FairKCenter は k-center、k-means、k-medians よりも顕著に低い α 値を達成しており、より優れた公平性を示している。
• FairKCenter は、クラスタサイズの標準偏差が k-center や他の手法と比較して 25〜50％低く、顕著な負荷バランスの向上を達成している。