Buchumschlag

Fair Machine Unlearning: Data Removal while Mitigating Disparities

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Oesterling, Alex, Ma, Jiaqi, Calmon, Flavio P., Lakkaraju, Hima
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Temporal Sparse Autoencoders: Leveraging the Sequential Nature of Language for Interpretability
von: Bhalla, Usha, et al.
Veröffentlicht: (2025)

Soft Best-of-n Sampling for Model Alignment
von: Verdun, Claudio Mayrink, et al.
Veröffentlicht: (2025)

Operationalizing the Blueprint for an AI Bill of Rights: Recommendations for Practitioners, Researchers, and Policy Makers
von: Oesterling, Alex, et al.
Veröffentlicht: (2024)

Interpreting CLIP with Sparse Linear Concept Embeddings (SpLiCE)
von: Bhalla, Usha, et al.
Veröffentlicht: (2024)

Inference-Time Reward Hacking in Large Language Models
von: Khalaf, Hadi, et al.
Veröffentlicht: (2025)

Towards Aligned Data Removal via Twin Machine Unlearning
von: Ji, Haoxuan, et al.
Veröffentlicht: (2024)

A Reliable Cryptographic Framework for Empirical Machine Unlearning Evaluation
von: Tu, Yiwen, et al.
Veröffentlicht: (2024)

On the Fairness of Privacy Protection: Measuring and Mitigating the Disparity of Group Privacy Risks for Differentially Private Machine Learning
von: Yang, Zhi, et al.
Veröffentlicht: (2025)

Multi-Group Proportional Representation in Retrieval
von: Oesterling, Alex, et al.
Veröffentlicht: (2024)

In-Context Unlearning: Language Models as Few Shot Unlearners
von: Pawelczyk, Martin, et al.
Veröffentlicht: (2023)

Machine Unlearning Fails to Remove Data Poisoning Attacks
von: Pawelczyk, Martin, et al.
Veröffentlicht: (2024)

Does Machine Unlearning Truly Remove Knowledge?
von: Chen, Haokun, et al.
Veröffentlicht: (2025)

Who Gets Credit or Blame? Attributing Accountability in Modern AI Systems
von: Zhang, Shichang, et al.
Veröffentlicht: (2025)

Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models
von: Tang, Haoyu, et al.
Veröffentlicht: (2024)

Federated Unlearning in the Wild: Rethinking Fairness and Data Discrepancy
von: Huang, ZiHeng, et al.
Veröffentlicht: (2025)

Trusting Fair Data: Leveraging Quality in Fairness-Driven Data Removal Techniques
von: Duong, Manh Khoi, et al.
Veröffentlicht: (2024)

Data Augmentation Improves Machine Unlearning
von: Falcao, Andreza M. C., et al.
Veröffentlicht: (2025)

Verifying Machine Unlearning with Explainable AI
von: Vidal, Àlex Pujol, et al.
Veröffentlicht: (2024)

The Disagreement Problem in Explainable Machine Learning: A Practitioner's Perspective
von: Krishna, Satyapriya, et al.
Veröffentlicht: (2022)

FairGU: Fairness-aware Graph Unlearning in Social Networks
von: Luo, Renqiang, et al.
Veröffentlicht: (2026)

Losing is for Cherishing: Data Valuation Based on Machine Unlearning and Shapley Value
von: Ma, Le, et al.
Veröffentlicht: (2025)

Module-Aware Parameter-Efficient Machine Unlearning on Transformers
von: Bao, Wenjie, et al.
Veröffentlicht: (2025)

FROG: Fair Removal on Graphs
von: Chen, Ziheng, et al.
Veröffentlicht: (2025)

Unlearning vs. Obfuscation: Are We Truly Removing Knowledge?
von: Sun, Guangzhi, et al.
Veröffentlicht: (2025)

DRAGD: A Federated Unlearning Data Reconstruction Attack Based on Gradient Differences
von: Ju, Bocheng, et al.
Veröffentlicht: (2025)

Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning
von: Gomez, Juan Felipe, et al.
Veröffentlicht: (2025)

Deep Unlearn: Benchmarking Machine Unlearning for Image Classification
von: Cadet, Xavier F., et al.
Veröffentlicht: (2024)

Zero-Shot Machine Unlearning with Proxy Adversarial Data Generation
von: Chen, Huiqiang, et al.
Veröffentlicht: (2025)

Graph Unlearning: Efficient Node Removal in Graph Neural Networks
von: Guan, Faqian, et al.
Veröffentlicht: (2025)

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

Agentic Unlearning: When LLM Agent Meets Machine Unlearning
von: Wang, Bin, et al.
Veröffentlicht: (2026)

Unlearning Information Bottleneck: Machine Unlearning of Systematic Patterns and Biases
von: Han, Ling, et al.
Veröffentlicht: (2024)

Machine Unlearning: Solutions and Challenges
von: Xu, Jie, et al.
Veröffentlicht: (2023)

Machine Unlearning under Overparameterization
von: Block, Jacob L., et al.
Veröffentlicht: (2025)

Group-robust Machine Unlearning
von: De Min, Thomas, et al.
Veröffentlicht: (2025)

A Survey of Machine Unlearning
von: Nguyen, Thanh Tam, et al.
Veröffentlicht: (2022)

Soft Weighted Machine Unlearning
von: Qiao, Xinbao, et al.
Veröffentlicht: (2025)

Machine Unlearning in Contrastive Learning
von: Wang, Zixin, et al.
Veröffentlicht: (2024)

Reliability and Effectiveness of Autonomous AI Agents in Supply Chain Management
von: Long, Carol Xuan, et al.
Veröffentlicht: (2026)

Understanding Annotator Safety Policy with Interpretability
von: Oesterling, Alex, et al.
Veröffentlicht: (2026)