A determinantal point process for column subset selection
Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；CRIStAL（里尔信息与自动化研究中心）
简化是许多机器学习流水线的第一步。两种流行的方法是主成分分析和特征选择，其中主成分分析投射到少数精心选择但不可解释的方向上，特征选择少数原始特征。特征选择可以抽象为一个数值线性代数问题，称为列子集选择问题（CSSP）。CSSP对应于选择矩阵$X \in \mathbb{R}^{N \times d}$的列的最佳子集，其中\emph{best}通常意味着使近似误差最小化，即，将$X$投影到所选列跨越的空间后的残差的范数。这种对$\{1,\dots,d\}$子集的优化通常是不切实际的。一个已经被广泛探索的解决方案是诉诸多项式成本，随机子集选择算法，有利于这种近似误差的小值。我们提出了这样一个随机化算法，从一个投影行列式点过程（DPP），一个排斥性分布在一个固定数量的$k$指数$\{1,\dots,d\}$，有利于选定的列之间的多样性的基础上采样。我们给出了这个DPP的最佳误差PCA的预期近似误差的比率上的界限。当满足$X$的一些现实结构假设时，这些界限比\emph{volume sampling}的最新界限有所改善。数值实验表明，我们的界限是紧的，我们的算法具有可比的性能与\emph{double phase}算法，通常被认为是实际的最先进的。列子集选择与DPP因此继承了最好的两个世界：良好的经验性能和严格的误差界限。
2018-12-23 cs.LG stat.ML
Unbiased estimates for linear regression via volume sampling
University of California Santa Cruz（加州大学圣克鲁兹分校）
给定列多于行的满秩矩阵$X$，考虑基于列的采样子集（大小至少为行数）的伪逆来估计伪逆$X^+$的任务。我们表明，这是可能的，如果列的子集选择成比例的平方卷所选择的子矩阵（即，体积采样）的行跨越。得到的估计量是无偏的，令人惊讶的是，估计量的协方差也有一个封闭的形式：它等于一个特定的因子乘以$X^{+\top}X^+$。伪逆在解决线性最小二乘问题中起着重要的作用，我们试图为$X$的每一列预测一个标签。我们假设标签是昂贵的，并且我们仅为从$X$中采样的列的小子集提供标签。使用我们的方法，我们表明，子问题的解决方案的权重向量是一个无偏估计的最佳解决方案的基础上，所有列标签的整个问题。我们相信，这些新的公式建立了线性最小二乘和体积采样之间的基本联系。我们使用我们的方法来获得一个算法的体积采样，这是比国家的最先进的，并获得所有标记列的估计最小二乘解的总损失的界限。
2018-06-05 cs.LG
Average Case Column Subset Selection for Entrywise $\ell_1$-Norm Loss
University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）；Columbia University（哥伦比亚大学）
我们研究了列子集选择问题的条目方面的$\ell_1$-范数损失。已知在最坏的情况下，为了获得对矩阵的良好秩$k$近似，需要任意大的$n^{Ω(1)}$列数来获得对$n \times n$矩阵的最佳逐项$\ell_1$范数低秩近似的$(1+ε)$近似.然而，我们表明，在某些最小和现实的分布设置，它是可能的，以获得一个接近线性的运行时间和聚$(k/ε)+O(k\log n)$列的$(1+ε)$近似。也就是说，我们证明了，如果输入矩阵$A$具有$A = B + E$的形式，其中$B$是任意秩的$k$矩阵，$E$是具有i.i.d.对于任意小的常数$γ> 0$，从存在$(1+γ)$阶矩的任何分布$μ$中提取的项，则可以在近似线性时间内获得对逐项$\ell_1$范数的$(1+ε)$近似列子集选择。相反，我们表明，如果第一时刻不存在，那么它是不可能获得一个$(1+ε)$-近似子集选择算法，即使选择任何$n^{o(1)}$列。这是第一个算法的任何一种实现的$(1+ε)$近似的入口方向$\ell_1$-范数损失低秩近似。
2020-04-16 cs.DS cs.LG stat.ML
Fair Feature Subset Selection using Multiobjective Genetic Algorithm
North Dakota State University（北达科他州立大学）
特征子集选择问题旨在选择相关的特征子集，以提高训练数据上的机器学习（ML）算法的性能。数据中的一些特征可能是固有的噪声，计算成本高，不适当的缩放或与其他特征相关，并且它们可能对诱导算法的准确性，成本和复杂性产生不利影响。传统的特征选择方法的目标是去除这些不相关的特征。近年来，ML对我们日常生活的决策过程产生了显著的影响。我们希望确保这些决定不会反映出基于年龄、性别或种族等受保护属性对某些群体或个人的偏见行为。在本文中，我们提出了一个特征子集选择方法，提高了公平性和准确性的目标，并使用NSGA-II算法计算帕累托最优解。我们使用统计差异作为公平性度量，F1-Score作为模型性能的度量。我们在最常用的公平性基准数据集上使用三种不同的机器学习算法进行的实验表明，使用进化算法，我们可以有效地探索公平性和准确性之间的权衡。
2022-04-30 cs.CY cs.LG cs.NE
A Statistical View of Column Subset Selection
Department of Statistics, Stanford University, USA（统计学系，斯坦福大学，美国）
该研究证明列子集选择（CSS）与统计学中的主变量选择方法等价，且均为半参数模型的最大似然估计，推导了高维下CSS的一致性条件，并提出了基于汇总统计量、含缺失/删失数据及假设检验选子集大小的高效CSS方法。
2024-10-21 cs.DS cs.LG stat.ME
Towards a Zero-One Law for Column Subset Selection
University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）；Columbia University（哥伦比亚大学）
存在用于低秩近似的NP难版本的许多近似算法，诸如找到使差的绝对值的和最小化的秩- $k$矩阵$B$到给定的$n$乘$n$矩阵$A$，$\min_{\textrm{rank-}k~B}\|A-B\|_1$，或者更一般地找到使差的绝对值的$p$次幂的和最小化的秩- $k$矩阵$B$，$\min_{\textrm{rank-}k~B}\|A-B\|_p^p$。这些算法中的许多是线性时间列子集选择算法，其返回$\mathrm{poly}(k \log n)$列的子集，该子集的成本不超过比最佳秩$k$矩阵的成本大的$\mathrm{poly}(k)$因子。上述误差度量是以下一般逐项低秩逼近问题的特殊情况：给定任意函数$g:\mathbb{R} \rightarrow \mathbb{R}_{\geq 0}$，找到使$\|A-B\|_g = \sum_{i,j}g(A_{i,j}-B_{i,j})$最小化的秩- $k$矩阵$B$.一个自然的问题是哪些功能$g$承认有效的近似算法？事实上，这是最近研究广义低秩模型的工作的一个中心问题。本文给出了近似单调且满足近似三角不等式的$\textit{every}$函数$g$的逼近算法，并证明了这两个条件都是必要的.此外，我们的算法是有效的，如果函数$g$承认一个有效的近似回归算法。我们的近似算法处理甚至不是尺度不变的函数，例如Huber损失函数，我们表明…
2020-04-16 cs.CC cs.DS cs.LG
Regularized Greedy Column Subset Selection
Department of Computer Systems, Universidad Politécnica de Madrid（马德里理工大学计算机系统系）；Department of Applied Mathematics, Universidad Politécnica de Madrid（马德里理工大学应用数学系）
列子集选择问题为无监督的特征选择提供了一个自然的框架。尽管是一个很难的组合优化问题，但存在提供良好近似的有效算法。问题公式的缺点是它没有采用任何形式的正则化，因此在数据稀少的情况下对噪声非常敏感。在本文中，我们提出了一个正规化的制定这个问题，并推导出一个正确的贪心算法，是类似的效率，现有的贪婪方法的非正规化问题。我们研究了它的充分性特征选择，并提出了合适的配方。此外，我们推导出所提出的问题的错误的下界。通过对真实和合成数据的各种数值实验，我们证明了我们的方法的鲁棒性和稳定性显着增加，以及其输出的改进条件，同时保持有效的实际使用。
2018-04-12 cs.AI cs.LG stat.ML
Improved guarantees and a multiple-descent curve for Column Subset Selection and the Nyström method
University of California, Berkeley（加州大学伯克利分校）；ICSI（国际计算机科学研究所）
列子集选择问题（CSSP）和Nyström方法是机器学习和科学计算中构造大型数据集的小低秩近似的主要工具之一。在这方面的一个基本问题是：如何以及可以一个数据子集的大小k的最佳秩k近似竞争？我们开发的技术，利用光谱特性的数据矩阵，以获得改进的近似保证，超越了标准的最坏情况下的分析。我们的方法可以为具有已知奇异值衰减率的数据集提供更好的边界，例如，多项式或指数衰减。我们的分析还揭示了一个有趣的现象：近似因子作为k的函数可能会出现多个峰和谷，我们称之为多重下降曲线。我们建立的下限表明，这种行为不是我们分析的产物，而是CSSP和Nyström任务的固有属性。最后，使用径向基函数（RBF）内核的例子，我们表明，我们的改进的边界和多重下降曲线可以观察到真实的数据集上简单地通过改变RBF参数。
2020-12-18 cs.LG stat.ML
Optimal $\ell_1$ Column Subset Selection and a Fast PTAS for Low Rank Approximation
CMU（卡内基梅隆大学）
研究了逐项$\ell_1$低秩近似问题。我们给出了第一个多项式时间的列子集选择为基础的$\ell_1$低秩近似算法采样$\tilde{O}(k)$列，实现了$\tilde{O}(k^{1/2})$ -近似的任何$k$，改善了以前的最佳$\tilde{O}(k)$ -近似和匹配的先验下界的列子集选择为基础的$\ell_1$ -低秩近似，适用于任何$\text{poly}(k)$列数。我们扩展我们的结果，以获得严格的上界和下界列子集选择为基础的$\ell_p$低秩近似任何$1 < p < 2$，关闭一个长期的工作在这个问题上。接下来，我们给出了一个$(1 + \varepsilon)$近似算法的逐项$\ell_p$低秩近似，$1 \leq p < 2$，这不是一个列子集选择算法。首先，我们得到一个算法，给定一个矩阵$A \in \mathbb{R}^{n \times d}$，在$2^{\text{poly}(k/\varepsilon)} + \text{poly}(nd)$运行时返回一个秩- $k$矩阵$\hat{A}$，使得：$$\|A - \hat{A}\|_p \leq (1 + \varepsilon) \cdot OPT + \frac{\varepsilon}{\text{poly}(k)}\|A\|_p$$其中$OPT = \min_{A_k \text{ rank …
2020-11-16 cs.DS cs.LG stat.ML
Generalized Leverage Scores: Geometric Interpretation and Applications
Queen Mary University of London（伦敦玛丽女王大学）；Aalto University（阿尔托大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
在涉及矩阵计算的问题中，杠杆的概念有大量的应用。特别是，杠杆分数，它将矩阵的列与其前导奇异向量所跨越的子空间相关联，有助于揭示列子集以近似分解具有质量保证的矩阵。因此，它们为各种机器学习方法提供了坚实的基础。在本文中，我们扩展了杠杆分数的定义，将矩阵的列与奇异向量的任意子集相关联。我们建立了一个精确的列和奇异向量子集之间的连接，通过关联的杠杆分数和子空间之间的主要角度的概念。我们采用这个结果来设计近似算法与可证明的保证两个著名的问题：广义列子集选择和稀疏典型相关分析。我们运行数值实验，以提供进一步的见解所提出的方法。新的界限，我们得到提高我们的理解矩阵近似的基本概念。此外，我们的见解可以作为进一步贡献的基石。
2022-06-16 cs.DS cs.LG
Subset Selection Based On Multiple Rankings in the Presence of Bias: Effectiveness of Fairness Constraints for Multiwinner Voting Score Functions
TU Berlin（柏林工业大学）；Yale University（耶鲁大学）；Nanjing University（南京大学）
本文研究存在偏差的多排名子集选择问题，证明群体公平性约束可提升选择质量，发现不同多胜者得分函数对排名数量的依赖存在指数与多项式级差异，提出子模函数平滑度概念，可为得分函数选择提供指导和实证工具。
2023-06-16 cs.AI cs.CY cs.DS
Fair and Representative Subset Selection from Data Streams
University of Helsinki（赫尔辛基大学）；Pompeu Fabra University（庞培法布拉大学）；Eurecat（Eurecat技术中心）
我们研究的问题，从一个大的数据流中提取一个小的代表性项目的子集。在许多数据挖掘和机器学习应用中，例如社会网络分析和推荐系统，这个问题可以被公式化为最大化服从基数约束的单调子模函数$k$。在这项工作中，我们考虑设置在流中的数据项属于几个不相交的组之一，并调查的优化问题与一个额外的\emph{fairness}约束，限制选择到一个给定数量的项目从每个组。然后，我们提出了有效的算法的公平性感知的流子模块最大化问题的变体。特别是，我们首先给出了一个$ (\frac{1}{2}-\varepsilon) $近似算法，需要$ O(\frac{1}{\varepsilon} \log \frac{k}{\varepsilon}) $通过流的任何常数$ \varepsilon>0 $。此外，我们给出了一个单通流算法，具有相同的近似比的$(\frac{1}{2}-\varepsilon)$时，无限的缓冲区大小和后处理时间是允许的，并讨论如何适应更实际的设置，缓冲区大小是有界的。最后，我们证明了我们提出的算法的效率和有效性在两个现实世界的应用程序，即\emph{maximum coverage on large graphs}和\emph{personalized recommendation}。
2021-02-12 cs.DS cs.LG
Trusting Fair Data: Leveraging Quality in Fairness-Driven Data Removal Techniques
Heinrich Heine University（海因里希·海涅大学）
本文研究公平性驱动的数据移除技术中因排除相关数据导致可信度降低的问题，提出在公平性基础上增加群体覆盖和最小数据损失目标，通过多目标优化寻找帕累托最优解以平衡公平性与数据质量，并发布FairDo工具包。
2024-09-19 cs.AI cs.LG
Fair Multi-View Determinantal Coresets via Adaptive NEPv
Hong Kong Baptist University（香港浸会大学）；TadReamk Limited（TadReamk有限公司）
该研究针对多视图子集选择的公平性问题，提出基于自适应NEPv的公平多视图行列式核心集方法，推导自适应SCF求解器并通过实验验证，为商标管理等场景提供了多视图多样性选择方案。
2026-08-20 cs.LG stat.ML
Proportionally Fair Clustering
Department of Computer Science, Duke University（计算机科学系，杜克大学）
我们扩展了公平的机器学习文献考虑的问题，在度量的情况下，成比例的质心聚类。对于用$k$中心聚类$n$点，我们将公平性定义为比例性，这意味着如果存在距离所有$n/k$点更近的另一个中心，则任何$n/k$点都有权形成它们自己的聚类。我们寻求集群的解决方案，有没有这样的合理的投诉，从任何子集的代理，而不假设任何先验的概念，受保护的子集。我们提出并分析算法，以有效地计算，优化和审计比例的解决方案。最后，我们得出结论与比例解决方案和$k$ -手段目标之间的权衡实证检查。
2020-10-11 cs.DS cs.GT cs.LG
Federating for Learning Group Fair Models
University College London（伦敦大学学院）；Duke University（杜克大学）
联邦学习是一种越来越流行的范例，它使大量实体能够协作学习更好的模型。在这项工作中，我们研究极小极大组公平的范例，不同的参与实体可能只能访问一个子集的人口群体在训练阶段。我们正式分析了这个公平性目标与现有的联邦学习公平性标准的不同之处，这些标准在参与者而不是人口统计学群体中施加了类似的性能。我们提供了一个优化算法- FedMinMax -解决所提出的问题，证明享有集中式学习算法的性能保证。我们通过实验比较了所提出的方法与其他方法在各种联邦学习设置的组公平性。
2021-10-07 cs.CY cs.LG
A Reinforcement-Learning-Based Multiple-Column Selection Strategy for Column Generation
Department of Automation, BNRist, Tsinghua University（清华大学自动化系、北京信息科学与技术国家研究中心）
针对列生成中从大量候选列选择多列的难题，提出首个基于强化学习的多列选择策略，并在下料与图着色问题上显著减少迭代次数和运行时间。
2023-12-29 cs.LG math.OC
Fair for All: Best-effort Fairness Guarantees for Classification
Duke University（杜克大学）；Tsinghua University（清华大学）；University of Illinois at Chicago（芝加哥大学伊利诺伊分校）
基于群体的公平性概念的标准方法，如\emph{parity}和\emph{equalized odds}，试图在已知群体（基于种族，性别等）之间平衡绝对的绩效测量。因此，一个本来就很难分类的群体可能会阻碍其他群体的业绩;而且无法为不可预见的群体提供任何保证。相反，我们提出了一个公平的概念，其保证，在每个组$g$类$\mathcal{G}$，是相对于性能最好的分类器$g$。我们将这一概念应用于广泛的组类，特别是，其中（a）$\mathcal{G}$由数据中所有可能的组（子集）组成，以及（b）$\mathcal{G}$更精简。对于第一个设置，这是类似于组是完全未知的，我们设计的{ \sc PF}（比例公平）分类器，它保证，在任何可能的组$g$，准确性是成比例的最佳分类器的$g$，缩放的相对大小$g$在数据集中。由于包含了所有可能的组，其中一些可能太复杂而不相关，因此对于较小的子集，最坏情况的理论保证必须按比例较弱。对于第二种设置，我们设计了{ \sc BeFair}（尽力公平）框架，该框架在每个$g \in \mathcal{G}$上寻求准确性，该准确性近似于$g$上的最佳分类器的准确性，而与$g$的大小无关。针对这样的保证结果在一个非凸的问题，我们设计了新的技术来绕过这个困难时，$\mathcal{G}$是一组线性假设。我们在真实世界的数据集上测试我们的算法，并对其性能提出有趣的比较…
2021-02-24 cs.GT cs.LG
Mitigating Bias in Set Selection with Noisy Protected Attributes
Yale University（耶鲁大学）
子集选择算法在人工智能驱动的应用程序中无处不在，包括在线招聘门户网站和图像搜索引擎，因此这些工具必须不基于性别或种族等受保护属性进行歧视。目前，公平子集选择算法假设受保护的属性是已知的数据集的一部分。然而，受保护的属性可能由于数据汇集期间的错误或如果它们被估算（如在现实世界设置中经常发生的情况）而具有噪声。虽然有大量的工作解决了噪声对机器学习算法性能的影响，但其对公平性的影响在很大程度上仍未得到检验。我们发现，在噪声保护属性的存在下，在试图增加公平性而不考虑噪声，实际上，可以降低结果的公平性！为了解决这个问题，我们考虑现有的噪声模型，其中存在关于受保护属性的概率信息（例如，[58，34，20，46]），并询问在噪声条件下公平选择是否可能？我们制定了一个“去噪”的选择问题，其功能为一大类的公平性度量;给定所需的公平性目标，去噪问题的解决方案违反了目标，最多一个小的乘法量具有很高的概率。虽然这个去噪问题是NP难的，但我们给出了一个基于线性规划的近似算法，并在合成数据集和真实数据集上对该算法进行了评估。我们的实证结果表明，这种方法可以产生子集，显着提高公平性指标，尽管存在噪声保护属性，和以前的噪声无关的方法相比，有更好的效用和公平性之间的帕累托权衡。
2021-02-22 cs.CY cs.DS cs.IR
Fair Representation: Guaranteeing Approximate Multiple Group Fairness for Unknown Tasks
National University of Singapore（新加坡国立大学）
受数据用于不同预测任务的场景的启发，我们研究了公平表示是否可以用于保证未知任务的公平性和同时用于多个公平概念。我们认为七组公平的概念，涵盖独立，分离和校准的概念。在公平不可能结果的背景下，我们探讨近似公平。我们证明，虽然公平表示可能无法保证所有预测任务的公平性，但它确实保证了一个重要的任务子集的公平性-表示是有区别的任务。具体而言，所有七个组公平性概念是线性控制的公平性和歧视性的表示。当不同的公平概念之间存在不相容时，公平和歧视性的表示达到了近似满足所有概念的最佳点。出于我们的理论研究结果，我们建议学习公平和歧视性的表示使用借口损失自我监督学习，和最大平均离散作为一个公平的正则化。在表格，图像和人脸数据集上的实验表明，使用学习的表示，我们在学习表示时不知道的下游预测确实对七个组公平性概念变得更公平，并且根据我们的理论结果计算的公平性保证都是有效的。
2022-02-20 cs.CV cs.CY cs.LG
Optimal Analysis of Subset-Selection Based L_p Low Rank Approximation
Carnegie Mellon University（卡内基梅隆大学）；Princeton University（普林斯顿大学）；Toyota Technological Institute at Chicago（芝加哥丰田技术研究院）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）
研究了任意给定矩阵$A$在$\mathbb{R}^{n\times m}$和$\mathbb{C}^{n\times m}$上的低秩近似问题，即寻找一个秩- $k$矩阵$X$，使得$\|A-X\|_p$最小.与传统的$\ell_2$设置不同，这个特殊的变体是NP难的。我们表明，列子集选择算法，这是许多现有算法的算法基础，享有近似比$(k+1)^{1/p}$ $1\le p\le 2$和$(k+1)^{1-1/p}$ $p\ge 2$。这改进了先前$p\ge 1$ \cite{chierichetti2017algorithms}的$O(k+1)$界限。我们补充我们的分析与下限;这些边界匹配我们的上限恒定$1$时$p\geq 2$。在我们的技术的核心是一个应用程序的\emph{Riesz-Thorin interpolation theorem}从谐波分析，这可能是独立的利益，其他算法的设计和分析更广泛。由于我们的分析，我们提供了更好的近似保证其他几个算法具有不同的时间复杂度。例如，为了使列子集选择算法在计算上高效，我们分析了选择$O(k\log m)$列的多项式时间双准则算法。我们证明了该算法具有$O((k+1)^{1/p})$对$1\le p\le 2$和$O((k+1)^{1-1/p})$对$p\ge 2$的逼近比。这改善了最著名的界限与$O(k+1)$近似比。我们的双标准算法…
2019-10-30 cs.DS cs.LG stat.ML
Fair Learning with Private Demographic Data
Massachusetts Institute of Technology（麻省理工学院）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Toyota Technological Institute at Chicago（芝加哥丰田工业大学）
敏感属性，如种族，在现实世界中很少提供给学习者，因为他们的收集往往受到法律和法规的限制。我们给出了一个方案，允许个人私下发布他们的敏感信息，同时仍然允许任何下游实体学习非歧视性的预测。我们展示了如何适应非歧视性学习者的工作与私有化的保护属性的理论保证性能。最后，我们强调了该方法如何适用于学习公平的预测设置中，受保护的属性只适用于一个子集的数据。
2020-07-13 cs.CY cs.LG stat.ML
Calibrating Explore-Exploit Trade-off for Fair Online Learning to Rank
University of Virginia（弗吉尼亚大学）
在线学习排序（OL 2 R）由于其避免了离线监督排序模型学习中昂贵的相关性标注，近年来引起了广泛的研究兴趣。这样的解决方案探索未知数（例如，有意地在顶部位置上呈现所选择的结果）以改进其相关性估计。然而，这引发了对其排名公平性的关注：在OL 2 R过程中，不同类别的项目可能会受到不同的待遇。但是现有的公平排名解决方案通常需要事先了解结果相关性或执行排名器，这与OL 2 R的设置相矛盾，因此不能直接应用于保证公平性。在这项工作中，我们提出了一个通用的框架，以实现公平性定义的组曝光OL 2 R。其核心思想是校准公平控制，相关学习和在线排名质量的探索和开发。特别是，当模型正在探索一组相关反馈的结果时，我们将探索限制在随机排列的子集内，其中在反馈仍然是无偏的同时保持组间的公平性。从理论上证明了这种策略引入最小失真OL 2 R的遗憾，以获得公平。对两个公共学习排序基准数据集进行了广泛的实证分析，以证明所提出的解决方案与现有的公平OL 2 R解决方案相比的有效性。
2021-11-01 cs.IR cs.LG
Hadamard Extensions and the Identification of Mixtures of Product Distributions
California Institute of Technology（加州理工学院）
矩阵的阿达玛扩张是由其行的子集的所有阿达玛乘积组成的矩阵。这种结构是在识别二进制随机变量上的乘积分布的混合物的背景下产生的：这种扩展的全列秩是识别算法的必要成分。我们提供了几个结果，当阿达玛扩展有完整的列秩。
2021-02-12 cs.LG eess.SP stat.ML
Beyond Submodularity: A Unified Framework of Randomized Set Selection with Group Fairness Constraints
Naveen Jindal School of Management, University of Texas at Dallas（德克萨斯大学达拉斯分校纳文·金达尔管理学院）；University of North Texas（北德克萨斯大学）
本文提出一个统一框架，在随机子集选择中引入群体公平性约束，通过最大化全局效用并满足各群体期望配额，统一并推广了机器学习与运筹学中的多种应用，并改进了相关近似算法结果。
2023-04-13 cs.AI cs.CY cs.DS
