具有多个受保护群体的公平代表性聚类

基于摘要分析。本文研究带有多个受保护群体代表性约束的公平 k-median 问题，目标是在每个簇内满足各群体比例上下界的同时，最小化所有样本到其所属中心的距离之和。核心贡献是给出严格满足这些公平约束的近似算法及运行时间界，而非神经信号表征学习方法。 问题设定为度量空间中的点集 X，每个点属于 ℓ 个群体之一。对于每个群体 j 和每个簇 C_i，群体成员数量须介于 α_j|C_i| 与 β_j|C_i| 之间；算法同时选择 k 个中心并确定样本分配，以最小化 ℓ₁ 距离目标。这里的“representation”指群体在簇中的构成比例，不是学习潜在特征表示。 作者报告，一般情形下可获得 O(log k) 近似保证，运行时间为 n^{O(ℓ)}。按摘要对已有工作的描述，既有算法或者允许公平约束出现加性违反，或者运行时间同时对 k 和 ℓ 呈指数依赖。因此，本工作的主要理论价值是结合严格公平约束与上述近似及复杂度保证；但群体数 ℓ 增大时，该运行时间仍可能成为实际应用瓶颈。 对于 α_j = β_j = f_j/f、且 f_j、f 均为自然数的精确比例特例，作者报告 O(log k) 近似算法，其运行时间为 (kf)^{O(ℓ)} log n + poly(n)。这些数值是特定问题设定下的理论界，不是数据集上的实测性能。 摘要未提供算法构造、证明细节、实现或实证评估信息，相关内容尚未验证。原研究对象是度量空间中的公平聚类；材料未建立其与 EEG/BCI 的具体机制对应，不能据此认定其具有神经信号解码收益。已有 EEG 相关工作尚未检索确认。