Buchumschlag

Differentially Private Post-Processing for Fair Regression

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xian, Ruicheng, Li, Qiaobo, Kamath, Gautam, Zhao, Han
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Position: Considerations for Differentially Private Learning with Large-Scale Public Pretraining
von: Tramèr, Florian, et al.
Veröffentlicht: (2022)

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

Personalized Differential Privacy for Ridge Regression
von: Acharya, Krishna, et al.
Veröffentlicht: (2024)

A Unified Post-Processing Framework for Group Fairness in Classification
von: Xian, Ruicheng, et al.
Veröffentlicht: (2024)

On the Impact of Multi-dimensional Local Differential Privacy on Fairness
von: Makhlouf, Karima, et al.
Veröffentlicht: (2023)

Urania: Differentially Private Insights into AI Use
von: Liu, Daogao, et al.
Veröffentlicht: (2025)

Hidden Poison: Machine Unlearning Enables Camouflaged Poisoning Attacks
von: Di, Jimmy Z., et al.
Veröffentlicht: (2022)

ContinuousBench: Can Differentially Private Synthetic Text Improve Capabilities?
von: Liu, Peihan, et al.
Veröffentlicht: (2026)

FAIRPLAI: A Human-in-the-Loop Approach to Fair and Private Machine Learning
von: Sanchez Jr., David, et al.
Veröffentlicht: (2025)

Optimal Differentially Private Sampling of Unbounded Gaussians
von: Iverson, Valentio, et al.
Veröffentlicht: (2025)

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

Differentially Private Data Release on Graphs: Inefficiencies and Unfairness
von: Fioretto, Ferdinando, et al.
Veröffentlicht: (2024)

Group Fairness Meets the Black Box: Enabling Fair Algorithms on Closed LLMs via Post-Processing
von: Xian, Ruicheng, et al.
Veröffentlicht: (2025)

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

Disparate Impact on Group Accuracy of Linearization for Private Inference
von: Das, Saswat, et al.
Veröffentlicht: (2024)

Learning Fair Robustness via Domain Mixup
von: Zhong, Meiyu, et al.
Veröffentlicht: (2024)

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

Fairness Issues and Mitigations in (Differentially Private) Socio-Demographic Data Processes
von: Ko, Joonhyuk, et al.
Veröffentlicht: (2024)

Privacy-Preserving Data Linkage Across Private and Public Datasets for Collaborative Agriculture Research
von: Zafar, Osama, et al.
Veröffentlicht: (2024)

BadFair: Backdoored Fairness Attacks with Group-conditioned Triggers
von: Xue, Jiaqi, et al.
Veröffentlicht: (2024)

Individual Privacy Accounting for Differentially Private Stochastic Gradient Descent
von: Yu, Da, et al.
Veröffentlicht: (2022)

Private Linear Regression with Differential Privacy and PAC Privacy
von: Yang, Hillary, et al.
Veröffentlicht: (2024)

Not All Learnable Distribution Classes are Privately Learnable
von: Bun, Mark, et al.
Veröffentlicht: (2024)

In the Name of Fairness: Assessing the Bias in Clinical Record De-identification
von: Xiao, Yuxin, et al.
Veröffentlicht: (2023)

Noise-Aware Differentially Private Regression via Meta-Learning
von: Räisä, Ossi, et al.
Veröffentlicht: (2024)

Differentially Private Sparse Linear Regression with Heavy-tailed Responses
von: Tian, Xizhi, et al.
Veröffentlicht: (2025)

Empirical Privacy Variance
von: Hu, Yuzheng, et al.
Veröffentlicht: (2025)

Indiscriminate Data Poisoning Attacks on Neural Networks
von: Lu, Yiwei, et al.
Veröffentlicht: (2022)

The Discrete Gaussian for Differential Privacy
von: Canonne, Clément L., et al.
Veröffentlicht: (2020)

Private Mean Estimation with Person-Level Differential Privacy
von: Agarwal, Sushant, et al.
Veröffentlicht: (2024)

Choosing Public Datasets for Private Machine Learning via Gradient Subspace Distance
von: Gu, Xin, et al.
Veröffentlicht: (2023)

Differentially Private Fair Binary Classifications
von: Ghoukasian, Hrad, et al.
Veröffentlicht: (2024)

Fragments to Facts: Partial-Information Fragment Inference from LLMs
von: Rosenblatt, Lucas, et al.
Veröffentlicht: (2025)

A Survey on Differential Privacy for SpatioTemporal Data in Transportation Research
von: Bhadani, Rahul
Veröffentlicht: (2024)

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

De-amplifying Bias from Differential Privacy in Language Model Fine-tuning
von: Srivastava, Sanjari, et al.
Veröffentlicht: (2024)

Accuracy Improvement in Differentially Private Logistic Regression: A Pre-training Approach
von: Hoseinpour, Mohammad, et al.
Veröffentlicht: (2023)

Self-Sovereign Agent
von: Qu, Wenjie, et al.
Veröffentlicht: (2026)

Privacy at a Price: Exploring its Dual Impact on AI Fairness
von: Yang, Mengmeng, et al.
Veröffentlicht: (2024)

Differentially Private Attention Computation
von: Gao, Yeqi, et al.
Veröffentlicht: (2023)