Buchumschlag

An Effective Theory of Bias Amplification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Subramonian, Arjun, Bell, Samuel J., Sagun, Levent, Dohmatob, Elvis
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Networked Inequality: Preferential Attachment Bias in Graph Neural Network Link Prediction
von: Subramonian, Arjun, et al.
Veröffentlicht: (2023)

auto-fpt: Automating Free Probability Theory Calculations for Machine Learning Theory
von: Subramonian, Arjun, et al.
Veröffentlicht: (2025)

Strong Model Collapse
von: Dohmatob, Elvis, et al.
Veröffentlicht: (2024)

Weisfeiler and Leman Go Measurement Modeling: Probing the Validity of the WL Test
von: Subramonian, Arjun, et al.
Veröffentlicht: (2023)

Reassessing the Validity of Spurious Correlations Benchmarks
von: Bell, Samuel J., et al.
Veröffentlicht: (2024)

Bias Amplification Enhances Minority Group Performance
von: Li, Gaotang, et al.
Veröffentlicht: (2023)

LLM Knowledge is Brittle: Truthfulness Representations Rely on Superficial Resemblance
von: Haller, Patrick, et al.
Veröffentlicht: (2025)

FairBranch: Mitigating Bias Transfer in Fair Multi-task Learning
von: Roy, Arjun, et al.
Veröffentlicht: (2023)

Why Less is More (Sometimes): A Theory of Data Curation
von: Dohmatob, Elvis, et al.
Veröffentlicht: (2025)

Egalitarian Gradient Descent: A Simple Approach to Accelerated Grokking
von: Pasand, Ali Saheb, et al.
Veröffentlicht: (2025)

Theoretical and Empirical Insights into the Origins of Degree Bias in Graph Neural Networks
von: Subramonian, Arjun, et al.
Veröffentlicht: (2024)

Scaling Laws for Associative Memories
von: Cabannes, Vivien, et al.
Veröffentlicht: (2023)

On the Role of Speech Data in Reducing Toxicity Detection Bias
von: Bell, Samuel J., et al.
Veröffentlicht: (2024)

Model Collapse Demystified: The Case of Regression
von: Dohmatob, Elvis, et al.
Veröffentlicht: (2024)

Efficient Refusal Ablation in LLM through Optimal Transport
von: Nanfack, Geraldin, et al.
Veröffentlicht: (2026)

Harm Amplification in Text-to-Image Models
von: Hao, Susan, et al.
Veröffentlicht: (2024)

Effective Controllable Bias Mitigation for Classification and Retrieval using Gate Adapters
von: Masoudian, Shahed, et al.
Veröffentlicht: (2024)

A Principled Approach for Data Bias Mitigation
von: Scarone, Bruno, et al.
Veröffentlicht: (2024)

Outlier Detection Bias Busted: Understanding Sources of Algorithmic Bias through Data-centric Factors
von: Ding, Xueying, et al.
Veröffentlicht: (2024)

Underrepresentation, Label Bias, and Proxies: Towards Data Bias Profiles for the EU AI Act and Beyond
von: Ceccon, Marina, et al.
Veröffentlicht: (2025)

A Tale of Tails: Model Collapse as a Change of Scaling Laws
von: Dohmatob, Elvis, et al.
Veröffentlicht: (2024)

MMM-fair: An Interactive Toolkit for Exploring and Operationalizing Multi-Fairness Trade-offs
von: Swati, Swati, et al.
Veröffentlicht: (2025)

Understanding "Democratization" in NLP and ML Research
von: Subramonian, Arjun, et al.
Veröffentlicht: (2024)

Fuck the Algorithm: Conceptual Issues in Algorithmic Bias
von: Stinson, Catherine
Veröffentlicht: (2025)

Feature Importance Disparities for Data Bias Investigations
von: Chang, Peter W., et al.
Veröffentlicht: (2023)

Bias and Identifiability in the Bounded Confidence Model
von: Borile, Claudio, et al.
Veröffentlicht: (2025)

FALE: Fairness-Aware ALE Plots for Auditing Bias in Subgroups
von: Giannopoulos, Giorgos, et al.
Veröffentlicht: (2024)

Toward Mitigating Sex Bias in Pilot Trainees' Stress and Fatigue Modeling
von: Pfeifer, Rachel, et al.
Veröffentlicht: (2024)

Post-hoc Orthogonalization for Mitigation of Protected Feature Bias in CXR Embeddings
von: Weber, Tobias, et al.
Veröffentlicht: (2023)

Facets of Disparate Impact: Evaluating Legally Consistent Bias in Machine Learning
von: Briscoe, Jarren, et al.
Veröffentlicht: (2025)

Fairness in Algorithmic Recourse Through the Lens of Substantive Equality of Opportunity
von: Bell, Andrew, et al.
Veröffentlicht: (2024)

Stop! In the Name of Flaws: Disentangling Personal Names and Sociodemographic Attributes in NLP
von: Gautam, Vagrant, et al.
Veröffentlicht: (2024)

Substance Beats Style: Why Beginning Students Fail to Code with LLMs
von: Lucchetti, Francesca, et al.
Veröffentlicht: (2024)

What is Left After Distillation? How Knowledge Transfer Impacts Fairness and Bias
von: Mohammadshahi, Aida, et al.
Veröffentlicht: (2024)

Bias Mitigation in Fine-tuning Pre-trained Models for Enhanced Fairness and Efficiency
von: Zhang, Yixuan, et al.
Veröffentlicht: (2024)

DSO: Direct Steering Optimization for Bias Mitigation
von: Paes, Lucas Monteiro, et al.
Veröffentlicht: (2025)

DCAST: Diverse Class-Aware Self-Training Mitigates Selection Bias for Fairer Learning
von: Tepeli, Yasin I., et al.
Veröffentlicht: (2024)

Mitigating Nonlinear Algorithmic Bias in Binary Classification
von: Hui, Wendy, et al.
Veröffentlicht: (2023)

Making Bias Non-Predictive: Training Robust LLM Reasoning via Reinforcement Learning
von: Wang, Qian, et al.
Veröffentlicht: (2026)

Bias Begins with Data: The FairGround Corpus for Robust and Reproducible Research on Algorithmic Fairness
von: Simson, Jan, et al.
Veröffentlicht: (2025)