Spectral Clustering under Distributional Constraints via Optimal Transport with Fairness-Aware Applications

Algorithmic risk assessment tools are widely used in high-stakes decision-making, yet have faced criticism for perpetuating demographic disparities, motivating the development of fairness-aware methods in both supervised and unsupervised learning. We propose a spectral clustering framework that enforces distributional constraints across protected groups using optimal transport prior to graph construction. Univariate transport admits closed-form quantile mappings applied to each variable, while multivariate extensions capture joint structure through Wasserstein barycenters or sliced transport. By adjusting variable representations before adjacency construction, our framework limits the influence of protected attributes on cluster structure while preserving geometry. Applications in finance and criminology show improved fairness metrics with minimal degradation in clustering quality, though the framework extends to any setting requiring distributional alignment in graph-based clustering.

Regroupement spectral sous contraintes de distribution au moyen du transport optimal avec des applications tenant compte de l'équité

Les outils algorithmiques d'évaluation des risques sont largement utilisés dans la prise de décisions à haut risque, mais ils ont été critiqués pour perpétuer les disparités démographiques, ce qui a motivé le développement de méthodes tenant compte de l'équité dans l'apprentissage supervisé et non supervisé. Nous proposons un cadre de regroupement spectral qui applique des contraintes de distribution à tous les groupes protégés en utilisant le transport optimal avant la construction du graphe. Le transport univarié admet des mappages quantiles fermés appliqués à chaque variable, tandis que les extensions multivariées capturent la structure conjointe par les barycentres de Wasserstein ou le transport par tranches. En ajustant les représentations des variables avant la construction de l'adjacence, notre cadre limite l'influence des attributs protégés sur la structure des clusters tout en préservant la géométrie. Les applications dans les domaines de la finance et de la criminologie montrent une amélioration des mesures d'équité avec une dégradation minimale de la qualité du regroupement, bien que le cadre s'étende à tout contexte nécessitant un alignement distributionnel dans le regroupement basé sur des graphes.

Session

Student Research Presentation Award Competition in Data Science and Analytics

Date and Time