FairAD: Schnelles, gerechtes Graph-Clustering mit algebraischer Distanz

Mit dem neuen Ansatz FairAD wird das Problem der Fairness in Graph-Clustering effizienter als je zuvor gelöst. Der Algorithmus nutzt die algebraische Distanz, um eine neue Ähnlichkeitsmatrix zu erzeugen, die Fairness-Bedingungen bereits im Vorfeld berücksichtigt.

Durch einen gezielten Graph-Coarsening-Prozess werden repräsentative Knoten für die gewünschten k Cluster identifiziert. Anschließend wird ein konstrahiertes Minimierungsproblem gelöst, das die endgültige, faire Clusterzuordnung liefert.

Experimentelle Tests auf einem modifizierten stochastischen Blockmodell sowie sechs öffentlichen Datensätzen zeigen, dass FairAD nicht nur faire Ergebnisse erzielt, sondern dabei bis zu 40 mal schneller arbeitet als aktuelle Spitzenverfahren im Bereich fairer Graph-Clustering.