跳到正文
arXiv cs.AI· Siamak Ghodsi, Amjad Seyedi, Sahar Tahmasebi, Eirini Ntoutsi, S\"oren Auer·· 10 小时前AI 评分18

FairPGT:面向双层公平图聚类的分区图 Transformer

FairPGT: Partitioned Graph Transformers for Dual-Level Fair Graph Clustering

AI 导读

FairPGT 是一种分区图 Transformer,将注意力限制在 METIS 分区内并通过路由 token 连接,把注意力的二次成本按分区数分摊。它在聚类分配上用互信息项促进人口统计均等,并用归一化跨群体注意力比(nCGAR)通过自蒸馏引导注意力趋于群体中立,且证明了 nCGAR 修正的有效性与防过冲条件。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:属性图上的聚类可能产生人口统计学上有偏的簇,尤其是当社区与受保护群体重合时。图 Transformer 可能通过同组注意力放大这种偏差,而全局注意力又限制了可扩展性。我们提出 FairPGT,一种用于公平图聚类的分区图 Transformer。FairPGT 将注意力限制在 METIS 分区内,并通过路由 token 连接各分区,从而将注意力的二次成本除以分区数量。图感知的自训练目标引导聚类,其与标准 DEC 目标的偏差可证明有界。公平性在两个层面施加:互信息项促进簇分配中的人口统计学均等,而归一化跨组注意力比率(nCGAR)通过自蒸馏引导注意力趋向群体中立。我们证明 nCGAR 校正使注意力趋向中立,并建立防止过冲的条件。在七个基准上,FairPGT 在三个最大的图(Credit、Pokec-n、Pokec-z)上取得最佳聚类性能和统计均等,统计均等差距比 DMoN 低约十倍,且仅在一个数据集上被帕累托支配。在受控随机块模型上,当社区与受保护群体重合时,FairPGT 在精确公平聚类的 NMI 上达到推导上界的 97%。这些图进一步表明,在强对齐下,仅分配层面的公平性会使注意力变得群体异质性,而仅注意力层面的公平性提高了中立性却无法确保公平的簇。可复现代码见 此 https URL。
评论: 审稿中。36 页,8 幅图,5 张表。代码:此 https URL
主题: 机器学习(cs.LG);人工智能(cs.AI)
引用为: arXiv:2611.23631 [cs.LG]
  (或 arXiv:2611.23631v1 [cs.LG] 为此版本)
  https://doi.org/10.48550/arXiv.2611.23631

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Siamak Ghodsi [查看邮箱]
[v1] 2026 年 11 月 17 日星期二 23:41:54 UTC(2,762 KB)

来源:arXiv cs.AI · arxiv.org