Buchumschlag

Can Fairness be Automated? Guidelines and Opportunities for Fairness-aware AutoML

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Weerts, Hilde, Pfisterer, Florian, Feurer, Matthias, Eggensperger, Katharina, Bergman, Edward, Awad, Noor, Vanschoren, Joaquin, Pechenizkiy, Mykola, Bischl, Bernd, Hutter, Frank
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Artificial Intelligence Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mind the Gap: Measuring Generalization Performance Across Multiple Objectives
von: Feurer, Matthias, et al.
Veröffentlicht: (2022)

Are There Exceptions to Goodhart's Law? On the Moral Justification of Fairness-Aware Machine Learning
von: Weerts, Hilde, et al.
Veröffentlicht: (2022)

Position: A Call to Action for a Human-Centered AutoML Paradigm
von: Lindauer, Marius, et al.
Veröffentlicht: (2024)

The Neutrality Fallacy: When Algorithmic Fairness Interventions are (Not) Positive Action
von: Weerts, Hilde, et al.
Veröffentlicht: (2024)

In-Context Decision Making for Optimizing Complex AutoML Pipelines
von: Balef, Amir Rezaei, et al.
Veröffentlicht: (2025)

Robustness of AutoML on Dirty Categorical Data
von: Bueno, Marcos L. P., et al.
Veröffentlicht: (2026)

AutoML Benchmark with shorter time constraints and early stopping
von: Jurado, Israel Campero, et al.
Veröffentlicht: (2025)

FairPFN: Transformers Can do Counterfactual Fairness
von: Robertson, Jake, et al.
Veröffentlicht: (2024)

FairSNA: Algorithmic Fairness in Social Network Analysis
von: Saxena, Akrati, et al.
Veröffentlicht: (2022)

A Human-in-the-Loop Fairness-Aware Model Selection Framework for Complex Fairness Objective Landscapes
von: Robertson, Jake, et al.
Veröffentlicht: (2024)

FairPFN: A Tabular Foundation Model for Causal Fairness
von: Robertson, Jake, et al.
Veröffentlicht: (2025)

Reshuffling Resampling Splits Can Improve Generalization of Hyperparameter Optimization
von: Nagler, Thomas, et al.
Veröffentlicht: (2024)

Mixture of Experts Distributional Regression: Implementation Using Robust Estimation with Adaptive First-order Methods
von: Rügamer, David, et al.
Veröffentlicht: (2022)

Overtuning in Hyperparameter Optimization
von: Schneider, Lennart, et al.
Veröffentlicht: (2025)

Exploring the impact of fairness-aware criteria in AutoML
von: Simões, Joana, et al.
Veröffentlicht: (2026)

Budget-aware Query Tuning: An AutoML Perspective
von: Wu, Wentao, et al.
Veröffentlicht: (2024)

AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML
von: Trirat, Patara, et al.
Veröffentlicht: (2024)

What Is Fairness? On the Role of Protected Attributes and Fictitious Worlds
von: Bothmann, Ludwig, et al.
Veröffentlicht: (2022)

AutoIntent: AutoML for Text Classification
von: Alekseev, Ilya, et al.
Veröffentlicht: (2025)

Investigating Gender Fairness in Machine Learning-driven Personalized Care for Chronic Pain
von: Gajane, Pratik, et al.
Veröffentlicht: (2024)

CASHomon Sets: Efficient Rashomon Sets Across Multiple Model Classes and their Hyperparameters
von: Ewald, Fiona Katharina, et al.
Veröffentlicht: (2026)

Problem-oriented AutoML in Clustering
von: da Silva, Matheus Camilo, et al.
Veröffentlicht: (2024)

AutoML in Cybersecurity: An Empirical Study
von: Saad, Sherif, et al.
Veröffentlicht: (2025)

The Potential of AutoML for Recommender Systems
von: Vente, Tobias, et al.
Veröffentlicht: (2024)

AutoML Systems For Medical Imaging
von: Jidney, Tasmia Tahmida, et al.
Veröffentlicht: (2023)

One Model Many Scores: Using Multiverse Analysis to Prevent Fairness Hacking and Evaluate the Influence of Model Design Decisions
von: Simson, Jan, et al.
Veröffentlicht: (2023)

AutoML in the Age of Large Language Models: Current Challenges, Future Opportunities and Risks
von: Tornede, Alexander, et al.
Veröffentlicht: (2023)

AutoML in The Wild: Obstacles, Workarounds, and Expectations
von: Sun, Yuan, et al.
Veröffentlicht: (2023)

X Hacking: The Threat of Misguided AutoML
von: Sharma, Rahul, et al.
Veröffentlicht: (2024)

DREAM: Debugging and Repairing AutoML Pipelines
von: Zhang, Xiaoyu, et al.
Veröffentlicht: (2023)

ML2B: Multi-Lingual ML Benchmark For AutoML
von: Trofimova, Ekaterina, et al.
Veröffentlicht: (2025)

ZeroML: A Next Generation AutoML Language
von: Mahmud, Monirul Islam
Veröffentlicht: (2025)

OpenAutoNLU: Open Source AutoML Library for NLU
von: Arshinov, Grigory, et al.
Veröffentlicht: (2026)

NNGPT: Rethinking AutoML with Large Language Models
von: Kochnev, Roman, et al.
Veröffentlicht: (2025)

Optimal Pricing for Data-Augmented AutoML Marketplaces
von: Han, Minbiao, et al.
Veröffentlicht: (2023)

Hyperparameter Importance Analysis for Multi-Objective AutoML
von: Theodorakopoulos, Daphne, et al.
Veröffentlicht: (2024)

An AutoML-based approach for Network Intrusion Detection
von: Gyimah, Nana Kankam, et al.
Veröffentlicht: (2024)

Position: Why We Must Rethink Empirical Research in Machine Learning
von: Herrmann, Moritz, et al.
Veröffentlicht: (2024)

Learning Efficient and Fair Policies for Uncertainty-Aware Collaborative Human-Robot Order Picking
von: Smit, Igor G., et al.
Veröffentlicht: (2024)

AutoGluon-Multimodal (AutoMM): Supercharging Multimodal AutoML with Foundation Models
von: Tang, Zhiqiang, et al.
Veröffentlicht: (2024)