Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Spatial-Temporal Transformer with Error-Restricted Variance Estimation for Time Series Anomaly Detection Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Towards Cohesion-Fairness Harmony: Contrastive Regularization in Individual Fair Graph Clustering

verfasst von : Siamak Ghodsi, Seyed Amjad Seyedi, Eirini Ntoutsi

Erschienen in: Advances in Knowledge Discovery and Data Mining

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Conventional fair graph clustering methods face two primary challenges: i) They prioritize balanced clusters at the expense of cluster cohesion by imposing rigid constraints, ii) Existing methods of both individual and group-level fairness in graph partitioning mostly rely on eigen decompositions and thus, generally lack interpretability. To address these issues, we propose \(iFairNMTF \), an individual Fairness Nonnegative Matrix Tri-Factorization model with contrastive fairness regularization that achieves balanced and cohesive clusters. By introducing fairness regularization, our model allows for customizable accuracy-fairness trade-offs, thereby enhancing user autonomy without compromising the interpretability provided by nonnegative matrix tri-factorization. Experimental evaluations on real and synthetic datasets demonstrate the superior flexibility of iFairNMTF in achieving fairness and clustering performance.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Distributed MCMC Inference for Bayesian Non-parametric Latent Block Model
Nächstes Kapitel NETEFFECT: Discovery and Exploitation of Generalized Network Effects
Fußnoten
1
Link to supplemental file and source codes: Github.​com/​SiamakGhodsi/​iFairNMTF.
 
Literatur
1.
Abdollahi, R., Amjad Seyedi, S., Reza Noorimehr, M.: Asymmetric semi-nonnegative matrix factorization for directed graph clustering. In: ICCKE, pp. 323–328 (2020)
2.
Chakraborty, T., Dalmia, A., Mukherjee, A., Ganguly, N.: Metrics for community analysis: A survey. ACM Comput. Surv. 50(4), 1–37 (2017)CrossRef
3.
Chierichetti, F., Kumar, R., Lattanzi, S., Vassilvitskii, S.: Fair clustering through fairlets. In: Advances in NeurIPS, pp. 5029–5037 (2017)
4.
Dai, E., Wang, S.: Say no to the discrimination: learning fair graph neural networks with limited sensitive attribute information. In: WSDM, pp. 680–688 (2021)
5.
Dong, Y., Kang, J., Tong, H., Li, J.: Individual fairness for graph neural networks: a ranking based approach. In: KDD, pp. 300–310. ACM (2021)
6.
Dong, Y., Ma, J., Wang, S., Chen, C., Li, J.: Fairness in graph mining: a survey. IEEE Transactions on Knowledge and Data Engineering, pp. 1–22 (2023)
7.
Dwork, C., Hardt, M., Pitassi, T., Reingold, O., Zemel, R.S.: Fairness through awareness. In: Proceedings of the 3rd ITCS Conference, pp. 214–226 (2012)
8.
Ghodsi, S., Ntoutsi, E.: Affinity clustering framework for data debiasing using pairwise distribution discrepancy. In: EWAF. CEUR Proceedings, vol. 3442 (2023)
9.
Gupta, S., Dukkipati, A.: Protecting individual interests across clusters: Spectral clustering with guarantees. CoRR abs/2105.03714 (2021)
10.
Gupta, S., Dukkipati, A.: Consistency of constrained spectral clustering under graph induced fair planted partitions. In: Advances in NeurIPS, pp. 13527–13540 (2022)
11.
Hajiveiseh, A., Seyedi, S.A., Tab, F.A.: Deep asymmetric nonnegative matrix factorization for graph clustering. Pattern Recognit. 148, 110179 (2024)CrossRef
12.
Kang, J., He, J., Maciejewski, R., Tong, H.: Inform: individual fairness on graph mining. In: KDD, pp. 379–389. ACM (2020)
13.
Kleindessner, M., Samadi, S., Awasthi, P., Morgenstern, J.: Guarantees for spectral clustering with fairness constraints. In: ICML, vol. 97, pp. 3458–3467 (2019)
14.
Kuang, D., Park, H., Ding, C.H.Q.: Symmetric nonnegative matrix factorization for graph clustering. In: SDM, pp. 106–117 (2012)
15.
Lahoti, P., Gummadi, K.P., Weikum, G.: Operationalizing individual fairness with pairwise fair representations. Proc. VLDB Endow. 13(4), 506–518 (2019)CrossRef
16.
Li, T., Ding, C.c.: Nonnegative matrix factorizations for clustering: a survey. In: Data Clustering, pp. 149–176. Chapman and Hall/CRC (2018)
17.
18.
Mastrandrea, R., Fournet, J., Barrat, A.: Contact patterns in a high school: a comparison between data collected using wearable sensors, contact diaries and friendship surveys. PLoS ONE 10(9), e0136497 (2015)CrossRef
19.
Newman, M.E.J.: Modularity and community structure in networks. Proc. Natl. Acad. Sci. 103(23), 8577–8582 (2006)
20.
Ntoutsi, E., et al.: Bias in data-driven artificial intelligence systems-an introductory survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery 10(3), e1356 (2020)
21.
Pei, Y., Chakraborty, N., Sycara, K.P.: Nonnegative matrix tri-factorization with graph regularization for community detection in social networks. In: IJCAI, pp. 2083–2089. AAAI Press (2015)
22.
Quy, T.L., Friege, G., Ntoutsi, E.: Multi-fair capacitated students-topics grouping problem. In: PAKDD (1). LNCS, vol. 13935, pp. 507–519. Springer (2023)
23.
Roy, A., Horstmann, J., Ntoutsi, E.: Multi-dimensional discrimination in law and machine learning - A comparative overview. In: FAccT. pp. 89–100. ACM (2023)
24.
Rozemberczki, B., Sarkar, R.: Characteristic functions on graphs: Birds of a feather, from statistical descriptors to parametric models. In: CIKM, pp. 1325–1334 (2020)
25.
Tsitsulin, A., Palowitch, J., Perozzi, B., Müller, E.: Graph clustering with graph neural networks. J. Mach. Learn. Res. 24, 127:1–127:21 (2023)
26.
Wang, J., Lu, D., Davidson, I., Bai, Z.: Scalable spectral clustering with group fairness constraints. In: AISTATS, pp. 6613–6629 (2023)
27.
Wang, Y., Kang, J., Xia, Y., Luo, J., Tong, H.: ifig: Individually fair multi-view graph clustering. In: IEEE Big Data, pp. 329–338. IEEE (2022)
28.
Weeks, M.R., Clair, S., Borgatti, S.P., Radda, K., Schensul, J.J.: Social networks of drug users in high-risk sites: finding the connections. AIDS Behav. 6, 193–206 (2002)CrossRef
29.
Zemel, R.S., Wu, Y., Swersky, K., Pitassi, T., Dwork, C.: Learning fair representations. In: ICML (3). JMLR Workshop and Conference Proceedings, vol. 28, pp. 325–333. JMLR.org (2013)
Metadaten
Titel
Towards Cohesion-Fairness Harmony: Contrastive Regularization in Individual Fair Graph Clustering
verfasst von
Siamak Ghodsi
Seyed Amjad Seyedi
Eirini Ntoutsi
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Advances in Knowledge Discovery and Data Mining

Print ISBN: 978-981-9722-41-9

Electronic ISBN: 978-981-9722-42-6

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-97-2242-6_23

Premium Partner

    Bildnachweise