公平的最低代表性聚类

基于摘要分析。本文研究带群体最低代表性约束的 k-means 聚类：要求每个群体在至少给定数量的簇中达到最低代表性水平。作者通过混合整数优化框架描述该问题，并提出直接纳入公平约束的交替最小化算法 MiniReL。 原问题面向选区、播放列表、电视频道等应用，其中群体只有达到一定代表性门槛才能获得相应收益。其约束并非要求每个簇都按总体比例容纳各群体，而是同时约束群体在簇内的代表性水平，以及达到该水平的簇的数量。摘要指出，加入这些公平条件后，算法内部的分配问题为 NP-Hard；作者提供了旨在使大规模数据计算可行的计算方法，但具体求解策略与复杂度信息尚未验证。 作者报告，在标准基准数据集上的数值实验中，该方法能够生成满足公平要求的簇，同时聚类成本几乎不增加。摘要未列出数据集名称、数据规模、对照方法、公平门槛或具体成本变化，因此该结论的适用范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若用于 EEG 表征的离线聚类，可检验群体代表性约束是否改善不同被试在簇中的覆盖；但这依赖明确的群体标识，且被试覆盖均衡不等于任务相关性或解码性能改善。可复用部分是带约束的样本分配框架，需改造表征、距离和代表性门槛；低信噪比、通道差异及小样本可能使约束聚类保留伪迹或削弱任务结构。一个小规模检验是在固定 EEG 表征与相同簇数下比较普通 k-means 和 MiniReL，同时检查被试覆盖、聚类成本及独立任务标签的一致性。相关 EEG 工作尚未检索确认。