Buchumschlag

Stability and Multigroup Fairness in Ranking with Uncertain Predictions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Devic, Siddartha, Korolova, Aleksandra, Kempe, David, Sharan, Vatsal
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An External Fairness Evaluation of LinkedIn Talent Search
von: Behzad, Tina, et al.
Veröffentlicht: (2025)

When is Multicalibration Post-Processing Necessary?
von: Hansen, Dutch, et al.
Veröffentlicht: (2024)

Auditability and the Landscape of Distance to Multicalibration
von: Derhake, Nathan, et al.
Veröffentlicht: (2025)

Proper Learnability and the Role of Unlabeled Data
von: Asilis, Julian, et al.
Veröffentlicht: (2025)

Regularization and Optimal Multiclass Learning
von: Asilis, Julian, et al.
Veröffentlicht: (2023)

Transductive Learning Is Compact
von: Asilis, Julian, et al.
Veröffentlicht: (2024)

Are LLM Decisions Faithful to Verbal Confidence?
von: Wang, Jiawei, et al.
Veröffentlicht: (2026)

From Calibration to Collaboration: LLM Uncertainty Quantification Should Be More Human-Centered
von: Devic, Siddartha, et al.
Veröffentlicht: (2025)

Flexible Routing via Uncertainty Decomposition
von: Peale, Charlotte, et al.
Veröffentlicht: (2026)

Why am I Still Seeing This: Measuring the Effectiveness Of Ad Controls and Explanations in AI-Mediated Ad Targeting Systems
von: Castleman, Jane, et al.
Veröffentlicht: (2024)

Limitations on Accurate, Trusted, Human-level Reasoning
von: Panigrahy, Rina, et al.
Veröffentlicht: (2025)

Optimal Multiclass U-Calibration Error and Beyond
von: Luo, Haipeng, et al.
Veröffentlicht: (2024)

Improved Bounds for Swap Multicalibration and Swap Omniprediction
von: Luo, Haipeng, et al.
Veröffentlicht: (2025)

An Efficient Plugin Method for Metric Optimization of Black-Box Models
von: Devic, Siddartha, et al.
Veröffentlicht: (2025)

When Fair Ranking Meets Uncertain Inference
von: Ghosh, Avijit, et al.
Veröffentlicht: (2021)

Multigroup Robustness
von: Hu, Lunjia, et al.
Veröffentlicht: (2024)

On the Inherent Privacy of Zeroth Order Projected Gradient Descent
von: Gupta, Devansh, et al.
Veröffentlicht: (2025)

Efficient Swap Multicalibration of Elicitable Properties
von: Hu, Lunjia, et al.
Veröffentlicht: (2025)

Transformers Provably Learn Algorithmic Solutions for Graph Connectivity, But Only with the Right Data
von: Ye, Qilin, et al.
Veröffentlicht: (2025)

Multi-Selection for Recommendation Systems
von: Sarmasarkar, Sahasrajit, et al.
Veröffentlicht: (2025)

A Spectral View of Adversarially Robust Features
von: Garg, Shivam, et al.
Veröffentlicht: (2018)

Pre-trained Large Language Models Use Fourier Features to Compute Addition
von: Zhou, Tianyi, et al.
Veröffentlicht: (2024)

Sample Amplification: Increasing Dataset Size even when Learning is Impossible
von: Axelrod, Brian, et al.
Veröffentlicht: (2019)

Simultaneous Swap Regret Minimization via KL-Calibration
von: Luo, Haipeng, et al.
Veröffentlicht: (2025)

How Muon's Spectral Design Benefits Generalization: A Study on Imbalanced Data
von: Vasudeva, Bhavya, et al.
Veröffentlicht: (2025)

CTTVAE: Latent Space Structuring for Conditional Tabular Data Generation on Imbalanced Datasets
von: Devic, Milosh, et al.
Veröffentlicht: (2026)

FairlyUncertain: A Comprehensive Benchmark of Uncertainty in Algorithmic Fairness
von: Rosenblatt, Lucas, et al.
Veröffentlicht: (2024)

The Rich and the Simple: On the Implicit Bias of Adam and SGD
von: Vasudeva, Bhavya, et al.
Veröffentlicht: (2025)

Understanding Contextual Recall in Transformers: How Finetuning Enables In-Context Reasoning over Pretraining Knowledge
von: Vasudeva, Bhavya, et al.
Veröffentlicht: (2026)

FoNE: Precise Single-Token Number Embeddings via Fourier Features
von: Zhou, Tianyi, et al.
Veröffentlicht: (2025)

Transformers Learn to Achieve Second-Order Convergence Rates for In-Context Linear Regression
von: Fu, Deqing, et al.
Veröffentlicht: (2023)

Efficient Convex Optimization Requires Superlinear Memory
von: Marsden, Annie, et al.
Veröffentlicht: (2022)

Convergent Evolution: How Different Language Models Learn Similar Number Representations
von: Fu, Deqing, et al.
Veröffentlicht: (2026)

Discovering Data Structures: Nearest Neighbor Search and Beyond
von: Salemohamed, Omar, et al.
Veröffentlicht: (2024)

How Reinforcement Learning After Next-Token Prediction Facilitates Learning
von: Tsilivis, Nikolaos, et al.
Veröffentlicht: (2025)

On the Statistical Complexity of Sample Amplification
von: Axelrod, Brian, et al.
Veröffentlicht: (2022)

Transformers Learn Low Sensitivity Functions: Investigations and Implications
von: Vasudeva, Bhavya, et al.
Veröffentlicht: (2024)

Learning to Rank with Top-$K$ Fairness
von: Zhang, Boyang, et al.
Veröffentlicht: (2025)

FairLRF: Achieving Fairness through Sparse Low Rank Factorization
von: Guo, Yuanbo, et al.
Veröffentlicht: (2025)

From Linear to Spline-Based Classification:Developing and Enhancing SMPA for Noisy Non-Linear Datasets
von: Srivastava, Vatsal
Veröffentlicht: (2025)