本論文では、公正なグラフクラスタリング手法であるDFNMFを提案します。この手法は、ネットワーク構造を尊重しながら、感受性の高いグループ間の比例代表を維持することを目指しています。従来の手法は、厳格な制約を課すか、複数ステージのパイプラインに依存しており、トレードオフの制御や解釈可能性に限界があります。DFNMFは、グラフに特化したエンドツーエンドの非負トライ因子分解を用い、クラスタの割り当てを直接最適化します。$ ext{λ}$ という単一のパラメータで公正性と有用性のバランスを調整でき、最適化はスパースに対応した交互更新を用いています。合成ネットワークや実ネットワークにおいて、DFNMFはグループ間のバランスを大幅に向上させ、比較可能なモジュラリティを維持しつつ、最先端の基準を超える成果を上げています。この研究はIEEE Big-Data 2025で採択されました。