[论文解读] Proportionally Fair Clustering Revisited

Joseph L. Cox, Michael B. Partensky|arXiv (Cornell University)|Jan 12, 2007

Experimental and Theoretical Physics Studies参考文献 1被引用 7

一句话总结

本文提出了一种基于阿波罗尼斯圆的几何解法，解决了使用三个探测器进行平面源定位时的非唯一性问题。通过证明真实源与虚假源相对于通过三个探测器的圆互为反演点，该方法利用第四个位于圆外的探测器实现了对源的唯一识别，从而解决了遵循平方反比定律信号的反问题中的模糊性。

ABSTRACT

In this work, we study fairness in centroid clustering. In this problem, k cluster centers must be placed given n points in a metric space, and the cost to each point is its distance to the nearest cluster center. Recent work of Chen et al. [Chen et al., 2019] introduces the notion of a proportionally fair clustering, in which no group of at least n/k points can find a new cluster center which provides lower cost to each member of the group. They propose a greedy capture algorithm which provides a 1+√2 approximation of proportional fairness for any metric space, and derive generalization bounds for learning proportionally fair clustering from samples in the case where a cluster center can only be placed at one of finitely many given locations in the metric space. We focus on the case where cluster centers can be placed anywhere in the (usually infinite) metric space. In case of the L² distance metric over ℝ^t, we show that the approximation ratio of greedy capture improves to 2. We also show that this is due to a special property of the L² distance; for the L¹ and L^∞ distances, the approximation ratio remains 1+√2. We provide universal lower bounds which apply to all algorithms. We also consider metric spaces defined on graphs. For trees, we show that an exact proportionally fair clustering always exists and provide an efficient algorithm to find one. The corresponding question for general graph remains an interesting open question. Finally, we show that for the L² distance, checking whether a proportionally fair clustering exists and implementing greedy capture over an infinite metric space are NP-hard problems, but (approximately) solvable in special cases. We also derive generalization bounds which show that an approximately proportionally fair clustering for a large number of points can be learned from a small number of samples. Our work advances the understanding of proportional fairness in clustering, and points out many avenues for future work.

研究动机与目标

• 解决使用三个探测器进行平面源定位时的非唯一性（模糊性）问题。
• 阐明在遵循平方反比定律的反问题中，真实源与虚假源解之间的几何关系。
• 通过利用几何反演和额外探测器，提供一种唯一识别真实源的方法。
• 证明将探测器置于同一圆周上无法解决模糊性，但增加一个位于圆外的第四探测器则可以解决。
• 为现实世界问题（如放射性源检测或类似GPS的定位）提供一种透明且直观的几何框架。

提出的方法

• 使用阿波罗尼斯圆作为到两个定点距离之比恒为γ的点的轨迹。
• 应用平方反比定律，将探测器处的信号强度与源距离关联，实现基于比值的定位。
• 为探测器对（如A与B、A与C）定义阿波罗尼斯圆，以定位满足距离比|SA|:|SB| = 1:2 和 |SA|:|SC| = 1:3 的点。
• 通过两条此类圆的交点确定候选源位置，揭示出两个可能的解。
• 引入几何反演：真实源S与虚假源S′相对于通过三个探测器的圆L互为反演点。
• 利用位于圆L之外的第四探测器，通过要求在多个探测器三元组中保持一致性，以区分真实源。

实验结果

研究问题

• RQ1 为何使用三个各向同性探测器定位平面源的反问题会产生两个解？
• RQ2 此类定位问题中，真实源与虚假源之间存在何种几何关系？
• RQ3 能否通过增加额外探测器解决源定位中的模糊性？若能，具体方法为何？
• RQ4 为何将探测器配置在同一个圆周上无法解决源定位中的非唯一性问题？
• RQ5 阿波罗尼斯圆如何为解决反信号定位问题提供一种透明且直观的几何框架？

主要发现

• 真实源与虚假源相对于通过三个探测器的圆互为反演点，且该圆对两点而言均为阿波罗尼斯圆。
• 位于真实源反演点处的虚假源，由于平方反比定律与几何对称性，会在所有三个探测器处产生完全相同的信号强度。
• 当|AB| = 1.5英里且γ = 1/2时，A与B点的阿波罗尼斯圆半径恰好为1英里，其圆心位于A点以南0.5英里处。
• 对于A–C对，当γ = 1/3时，阿波罗尼斯圆的半径为0.75英里，圆心位于A点以西0.25英里处。
• 两条阿波罗尼斯圆（分别对应A–B与A–C对）的交点产生两个候选位置，其中一者根据空间上下文（如陆地与海洋位置）被舍弃。
• 增加一个不在原始圆上的第四探测器，可通过在两个不同探测器三元组中寻找共同解，实现真实源的唯一识别，从而排除虚假解S′与S′′。