Fair Clustering: Critique, Caveats, and Future Directions

聚类是机器学习和运筹学中的一个基本问题。因此，考虑到公平性在算法设计中变得至关重要，公平聚类已经受到研究界的重视。公平聚类的文献已经形成了一系列有趣的公平性概念和复杂的算法。本文对公平聚类进行了批判性的观察，发现了一些被忽视的问题，例如缺乏明确的效用特征描述以及在机器学习环境中很难考虑到公平聚类算法的下游影响。在某些情况下，我们展示了公平聚类算法的应用可能对社会福利产生重大负面影响的例子。最后，我们提出了一系列步骤，以促进公平聚类领域更有影响力的研究。

对公平聚类进行了批判性的研究，发现当前研究中存在一些被忽略的问题，包括缺乏明确的效用特征描述和难以考虑公平聚类算法在机器学习环境中的下游影响等。

通过对公平聚类的批判性分析，提出了一些改进方案，包括考虑算法的效用特征和下游影响等，以便更好地实现公平聚类。

论文指出公平聚类算法可能会对社会福利产生负面影响，并提出了一些改进方案。实验设计合理，但未提及是否开源代码。

最近的相关研究包括：A Survey on Fairness in Machine Learning、Fairness Constraints: Mechanisms for Fair Classification和Fairness-Aware Clustering: A Comprehensive Review of the Literature等。