Buchumschlag

How to be fair? A study of label and selection bias

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Favier, Marco, Calders, Toon, Pinxteren, Sam, Meyer, Jonathan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Cherry on the Cake: Fairness is NOT an Optimization Problem
von: Favier, Marco, et al.
Veröffentlicht: (2024)

No evaluation without fair representation : Impact of label and selection bias on the evaluation, performance and mitigation of classification models
von: Legast, Magali, et al.
Veröffentlicht: (2026)

Reranking individuals: The effect of fair classification within-groups
von: Goethals, Sofie, et al.
Veröffentlicht: (2024)

"Patriarchy Hurts Men Too." Does Your Model Agree? A Discussion on Fairness Assumptions
von: Favier, Marco, et al.
Veröffentlicht: (2024)

Testing autonomous vehicles and AI: perspectives and challenges from cybersecurity, transparency, robustness and fairness
von: Llorca, David Fernández, et al.
Veröffentlicht: (2024)

It's complicated. The relationship of algorithmic fairness and non-discrimination provisions for high-risk systems in the EU AI Act
von: Meding, Kristof
Veröffentlicht: (2025)

Unraveling overoptimism and publication bias in ML-driven science
von: Saidi, Pouria, et al.
Veröffentlicht: (2024)

Fair Enough? A map of the current limitations of the requirements to have fair algorithms
von: Regoli, Daniele, et al.
Veröffentlicht: (2023)

Interpretable and Fair Mechanisms for Abstaining Classifiers
von: Lenders, Daphne, et al.
Veröffentlicht: (2025)

Cluster Model for parsimonious selection of variables and enhancing Students Employability Prediction
von: Thakar, Pooja, et al.
Veröffentlicht: (2024)

Explaining How Quantization Disparately Skews a Model
von: Bellam, Abhimanyu, et al.
Veröffentlicht: (2025)

Towards measuring fairness in speech recognition: Fair-Speech dataset
von: Veliche, Irina-Elena, et al.
Veröffentlicht: (2024)

How Effective Is Constitutional AI in Small LLMs? A Study on DeepSeek-R1 and Its Peers
von: Menke, Antonio-Gabriel Chacón, et al.
Veröffentlicht: (2025)

Explainable AI Systems Must Be Contestable: Here's How to Make It Happen
von: Moreira, Catarina, et al.
Veröffentlicht: (2025)

Defining bias in AI-systems: Biased models are fair models
von: Lindloff, Chiara, et al.
Veröffentlicht: (2025)

From Protoscience to Epistemic Monoculture: How Benchmarking Set the Stage for the Deep Learning Revolution
von: Koch, Bernard J., et al.
Veröffentlicht: (2024)

Generative AI Policies under the Microscope: How CS Conferences Are Navigating the New Frontier in Scholarly Writing
von: Nahar, Mahjabin, et al.
Veröffentlicht: (2024)

Exploring the sustainable scaling of AI dilemma: A projective study of corporations' AI environmental impacts
von: Desroches, Clément, et al.
Veröffentlicht: (2025)

From Model Performance to Claim: How a Change of Focus in Machine Learning Replicability Can Help Bridge the Responsibility Gap
von: Kou, Tianqi
Veröffentlicht: (2024)

Dataset resulting from the user study on comprehensibility of explainable AI algorithms
von: Bobek, Szymon, et al.
Veröffentlicht: (2024)

Towards objective and systematic evaluation of bias in artificial intelligence for medical imaging
von: Stanley, Emma A. M., et al.
Veröffentlicht: (2023)

Case Studies of AI Policy Development in Africa
von: Diallo, Kadijatou, et al.
Veröffentlicht: (2024)

How Far Are We From AGI: Are LLMs All We Need?
von: Feng, Tao, et al.
Veröffentlicht: (2024)

Faster Results from a Smarter Schedule: Reframing Collegiate Cross Country through Analysis of the National Running Club Database
von: Karr Jr, Jonathan A., et al.
Veröffentlicht: (2025)

AI tutoring can safely and effectively support students: An exploratory RCT in UK classrooms
von: LearnLM Team, et al.
Veröffentlicht: (2025)

How Prevalent is Gender Bias in ChatGPT? -- Exploring German and English ChatGPT Responses
von: Urchs, Stefanie, et al.
Veröffentlicht: (2023)

Detecting labeling bias using influence functions
von: Jørgensen, Frida, et al.
Veröffentlicht: (2026)

Low-rank finetuning for LLMs: A fairness perspective
von: Das, Saswat, et al.
Veröffentlicht: (2024)

Asking an AI for salary negotiation advice is a matter of concern: Controlled experimental perturbation of ChatGPT for protected and non-protected group discrimination on a contextual task with no clear ground truth answers
von: Geiger, R. Stuart, et al.
Veröffentlicht: (2024)

How malicious AI swarms can threaten democracy: The fusion of agentic AI and LLMs marks a new frontier in information warfare
von: Schroeder, Daniel Thilo, et al.
Veröffentlicht: (2025)

How Far Are We From True Auto-Research?
von: Zhang, Zhengxin, et al.
Veröffentlicht: (2026)

Improving prediction of students' performance in intelligent tutoring systems using attribute selection and ensembles of different multimodal data sources
von: Chango, W., et al.
Veröffentlicht: (2024)

Fairness Improvement with Multiple Protected Attributes: How Far Are We?
von: Chen, Zhenpeng, et al.
Veröffentlicht: (2023)

Reducing Large Language Model Safety Risks in Women's Health using Semantic Entropy
von: Penny-Dimri, Jahan C., et al.
Veröffentlicht: (2025)

Transformers in Healthcare: A Survey
von: Nerella, Subhash, et al.
Veröffentlicht: (2023)

Creativity and Machine Learning: A Survey
von: Franceschelli, Giorgio, et al.
Veröffentlicht: (2021)

A Collectivist, Economic Perspective on AI
von: Jordan, Michael I.
Veröffentlicht: (2025)

A Multi-level Analysis of Factors Associated with Student Performance: A Machine Learning Approach to the SAEB Microdata
von: Tertulino, Rodrigo, et al.
Veröffentlicht: (2025)

On the Cause of Unfairness: A Training Sample Perspective
von: Yao, Yuanshun, et al.
Veröffentlicht: (2023)

Fair Machine Learning in Healthcare: A Review
von: Feng, Qizhang, et al.
Veröffentlicht: (2022)