文件名称：Nash解matlab代码-multiCriteriaDimReduction:减少多准则维度并适用于公平性的代码
文件大小：58.37MB
文件格式：ZIP
更新时间：2024-06-16 19:53:32
系统开源
纳什解matlab代码multiCriteriaDimReduction 此仓库包含论文“多标准降维及其对公平性的应用”的代码。 .py文件包含用于以下目的的辅助方法： 预处理数据 标准PCA并计算公平性的几个实用标准 解决SDP 对某些类型的目标函数使用乘性权重更新方法 其他辅助方法 每个Jupyter笔记本都展示了如何对每个数据集（信贷和收入数据）应用一种PCA策略（公平的基于SDP的PCA与标准PCA）。 MW笔记本实施MW（乘积权重更新），而不是将SDP求解器用于公平的基于SDP的PCA。 要使用，我们建议打开一台Jupyter笔记本并运行它。 我们建议打开以下任一方法： SDP_credit.ipynb 'additional-heuristics'文件夹中的heuristics.ipynb 您可以检查数据格式并查看示例用法，然后将其应用于自己的数据集。 有关用法的更多详细信息，每种方法（MW，基于SDP的公平PCA，std_PCA等）在相应的.py文件中都有用法的文档，包括期望作为输入和输出的内容。 “符号”小节还提供了变量名和关键字的快速说明。 文件 可在上找到NeurI
【文件预览】：
multiCriteriaDimReduction-master
----standard_PCA.py(502B)
----standardPCA_income.ipynb(3KB)
----SDP.py(7KB)
----result_income()
--------NSW.csv(9KB)
--------compare.csv(6KB)
--------vanillaObj.csv(7KB)
--------maxminloss.csv(9KB)
--------maxminvar.csv(9KB)
----standardPCA_credit.ipynb(6KB)
----SDP_credit.ipynb(5KB)
----utils.py(4KB)
----result_credit()
--------k4_NSW.csv(8KB)
--------k3NSW.csv(7KB)
--------k3vanillaObj.csv(6KB)
--------k3maxminvar.csv(7KB)
--------k4vanillaObj.csv(7KB)
--------k6maxminvar.csv(11KB)
--------k6maxminloss.csv(11KB)
--------k4_maxminvar.csv(8KB)
--------k4_maxminloss.csv(9KB)
--------k3maxminloss.csv(7KB)
--------k6NSW.csv(11KB)
--------k6vanillaObj.csv(9KB)
----README.md(5KB)
----MW_credit_income_example.ipynb(5KB)
----MW.py(9KB)
----data()
--------income()
--------credit()
----SDP_income.ipynb(2KB)
----preprocess_data.py(2KB)
----additional-heuristics()
--------standard_PCA.py(520B)
--------mat()
--------utils.py(4KB)
--------group_sizes.npy(256B)
--------optimizer.py(32KB)
--------preprocessing-census-data()
--------README.md(660B)
--------heuristics.ipynb(171KB)