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 fair k-median：在最小化点到聚类中心的距离总和时，要求每个簇中不同受保护群体的占比均落在指定区间内。核心贡献是提出满足该公平代表性约束的近似算法，而非学习神经信号表征或构建 BCI 解码器。 问题定义在度量空间中的点集 X 上，每个点属于 ℓ 个群体之一。对每个群体 j，给定比例下界 αj 和上界 βj；每个簇 Ci 中该群体的点数必须介于 αj|Ci| 与 βj|Ci| 之间。算法需同时选择 k 个中心并确定点到中心的分配，以最小化 ℓ1 距离目标 ∑x∈X d(x,ϕ(x))。这里的“代表性”指簇内群体构成，并非通常意义上的 representation learning。 作者报告，一般情形下算法具有 O(log k) 近似保证，运行时间为 n^{O(ℓ)}；这是理论保证，不是数据集上的实测性能。按摘要对既有工作的描述，相关算法要么允许公平约束出现加性违反，要么运行时间同时对 k 和 ℓ 呈指数依赖。新结果的关注点因而在于公平约束的严格满足及计算复杂度之间的权衡，但群体数增大时，n^{O(ℓ)} 仍可能限制实际使用。 摘要还提到一个特殊情形及相应 O(log k) 近似算法，但所给文本缺失该情形的条件和运行时间公式，无法进一步核实。算法构造、证明前提、可行性处理及实验协议、消融与统计信息尚未验证。材料未提供与 EEG/BCI 的具体机制对应关系，不据此推断其神经信号应用效果。