Buchumschlag

Training Fair Models in Federated Learning without Data Privacy Infringement

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Che, Xin, Hu, Jingdi, Zhou, Zirui, Zhang, Yong, Chu, Lingyang
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Position Paper: Assessing Robustness, Privacy, and Fairness in Federated Learning Integrated with Foundation Models
von: Wang, Jiaqi, et al.
Veröffentlicht: (2024)

PUFFLE: Balancing Privacy, Utility, and Fairness in Federated Learning
von: Corbucci, Luca, et al.
Veröffentlicht: (2024)

Toward Fair Federated Learning under Demographic Disparities and Data Imbalance
von: Wu, Qiming, et al.
Veröffentlicht: (2025)

Post-Fair Federated Learning: Achieving Group and Community Fairness in Federated Learning via Post-processing
von: Duan, Yuying, et al.
Veröffentlicht: (2024)

Achieving Fairness Across Local and Global Models in Federated Learning
von: Makhija, Disha, et al.
Veröffentlicht: (2024)

Distribution-Free Fair Federated Learning with Small Samples
von: Yin, Qichuan, et al.
Veröffentlicht: (2024)

BoostFGL: Boosting Fairness in Federated Graph Learning
von: Chen, Zekai, et al.
Veröffentlicht: (2026)

Fairness in Federated Learning: Fairness for Whom?
von: Taik, Afaf, et al.
Veröffentlicht: (2025)

Fairness in Federated Learning: Trends, Challenges, and Opportunities
von: Mukhtiar, Noorain, et al.
Veröffentlicht: (2025)

Semi-Variance Reduction for Fair Federated Learning
von: Malekmohammadi, Saber, et al.
Veröffentlicht: (2024)

Boosting Fairness and Robustness in Over-the-Air Federated Learning
von: Oksuz, Halil Yigit, et al.
Veröffentlicht: (2024)

A Post-Processing-Based Fair Federated Learning Framework
von: Zhou, Yi, et al.
Veröffentlicht: (2025)

Unraveling Privacy Risks of Individual Fairness in Graph Neural Networks
von: Zhang, He, et al.
Veröffentlicht: (2023)

Procedural Fairness and Its Relationship with Distributive Fairness in Machine Learning
von: Wang, Ziming, et al.
Veröffentlicht: (2025)

Federated Fairness without Access to Sensitive Groups
von: Papadaki, Afroditi, et al.
Veröffentlicht: (2024)

Navigating Towards Fairness with Data Selection
von: Zhang, Yixuan, et al.
Veröffentlicht: (2024)

Data Acquisition for Improving Model Fairness using Reinforcement Learning
von: Hasan, Jahid, et al.
Veröffentlicht: (2024)

Learning Fair Models without Sensitive Attributes: A Generative Approach
von: Zhu, Huaisheng, et al.
Veröffentlicht: (2022)

FairDP: Certified Fairness with Differential Privacy
von: Tran, Khang, et al.
Veröffentlicht: (2023)

Fairness and/or Privacy on Social Graphs
von: Surma, Bartlomiej, et al.
Veröffentlicht: (2025)

Making Bias Non-Predictive: Training Robust LLM Reasoning via Reinforcement Learning
von: Wang, Qian, et al.
Veröffentlicht: (2026)

Friends in Unexpected Places: Enhancing Local Fairness in Federated Learning through Clustering
von: Yang, Yifan, et al.
Veröffentlicht: (2024)

Long-Term Fair Decision Making through Deep Generative Models
von: Hu, Yaowei, et al.
Veröffentlicht: (2024)

Towards Fairness and Privacy: A Novel Data Pre-processing Optimization Framework for Non-binary Protected Attributes
von: Duong, Manh Khoi, et al.
Veröffentlicht: (2024)

The Cost of Local and Global Fairness in Federated Learning
von: Duan, Yuying, et al.
Veröffentlicht: (2025)

Bias Mitigation in Fine-tuning Pre-trained Models for Enhanced Fairness and Efficiency
von: Zhang, Yixuan, et al.
Veröffentlicht: (2024)

Integrating Attentional Factors and Spacing in Logistic Knowledge Tracing Models to Explore the Impact of Training Sequences on Category Learning
von: Cao, Meng, et al.
Veröffentlicht: (2024)

Fairness in Multi-Task Learning via Wasserstein Barycenters
von: Hu, François, et al.
Veröffentlicht: (2023)

Lumos: Heterogeneity-aware Federated Graph Learning over Decentralized Devices
von: Pan, Qiying, et al.
Veröffentlicht: (2023)

GLOCALFAIR: Jointly Improving Global and Local Group Fairness in Federated Learning
von: Meerza, Syed Irfan Ali, et al.
Veröffentlicht: (2024)

FedCD: A Fairness-aware Federated Cognitive Diagnosis Framework
von: Yang, Shangshang, et al.
Veröffentlicht: (2025)

To Pool or Not To Pool: Analyzing the Regularizing Effects of Group-Fair Training on Shared Models
von: Cousins, Cyrus, et al.
Veröffentlicht: (2024)

Fairness-aware Federated Minimax Optimization with Convergence Guarantee
von: Dunda, Gerry Windiarto Mohamad, et al.
Veröffentlicht: (2023)

Evaluating Fairness in Self-supervised and Supervised Models for Sequential Data
von: Yfantidou, Sofia, et al.
Veröffentlicht: (2024)

FairFML: Fair Federated Machine Learning with a Case Study on Reducing Gender Disparities in Cardiac Arrest Outcome Prediction
von: Li, Siqi, et al.
Veröffentlicht: (2024)

Privacy Constrained Fairness Estimation for Decision Trees
von: van der Steen, Florian, et al.
Veröffentlicht: (2023)

What is Fair? Defining Fairness in Machine Learning for Health
von: Gao, Jianhui, et al.
Veröffentlicht: (2024)

Differential Privacy in Two-Layer Networks: How DP-SGD Harms Fairness and Robustness
von: Xu, Ruichen, et al.
Veröffentlicht: (2026)

How Robust is your Fair Model? Exploring the Robustness of Diverse Fairness Strategies
von: Small, Edward, et al.
Veröffentlicht: (2022)

Referee-Meta-Learning for Fast Adaptation of Locational Fairness
von: Chen, Weiye, et al.
Veröffentlicht: (2024)