公平最低代表性聚类

基于摘要分析。本文研究带有群体最低代表性要求的 k-means 聚类：某个群体只有在簇内占比达到一定门槛时，才能获得该簇对应的实际收益，因此目标不是让所有簇的群体比例一致，而是确保各群体在指定数量的簇中达到最低代表性要求。作者提出混合整数优化框架，以及直接纳入公平性约束的交替最小化算法 MiniReL。 技术上，公平性条件使算法中的分配子问题成为 NP-Hard 问题；作者提出计算方法以提升其实用性，并称可处理大规模数据集。摘要未给出具体求解策略、约束参数设定及运行规模，这些内容尚未验证。 作者报告，在标准基准数据集上，该方法能够形成更公平的簇，同时聚类代价几乎不增加。摘要未列出数据集名称、公平性指标、代价变化数值、对照基线或运行时间，因此不能据此判断收益大小及适用边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 探索性聚类确实要求某些已知群体在若干簇中达到最低占比，可考虑复用这种约束建模，而不是将其视为 EEG 解码算法。该假设依赖可靠的群体标签、合理的距离表示及具有实际含义的代表性门槛；EEG 特征与距离度量需另行设计。低信噪比、被试差异、通道差异和小样本群体可能使约束主要重塑噪声结构，或导致约束不可行。一个可检验的小实验是在固定 EEG 表征与相同 k 下，对比普通 k-means 和 MiniReL 的约束满足率、聚类代价及重采样稳定性，不把公平性改善等同于解码性能提升。已有 EEG 相关工作尚未检索确认。