本研究では、特定のデモグラフィックグループに対する機械学習モデルの不正行為に対する懸念から、公正なグラフクラスタリングの研究が進められています。FairADは、公正性の制約を考慮した計算効率の良い公正なグラフクラスタリング手法を提案します。この方法は、まず代数距離に基づいて新たな親和行列を構築し、公正性の制約を課します。その後、親和行列に対してグラフの粗縮処理を行い、代表的なノードを抽出し、最終的に制約付き最小化問題を解決して公正なクラスタリングを実現します。実験結果によると、FairADは最新の公正なグラフクラスタリングアルゴリズムに比べて最大40倍の速度で公正なクラスタリングを達成できることが示されています。