Copertina

Foundation Models at Work: Fine-Tuning for Fairness in Algorithmic Hiring

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Korkmaz, Buse Sibel, Nair, Rahul, Daly, Elizabeth M., Anagnostopoulos, Evangelos, Varytimidis, Christos, Chanona, Antonio del Rio
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Paying Alignment Tax with Contrastive Learning
di: Korkmaz, Buse Sibel, et al.
Pubblicazione: (2025)

Humble AI in the real-world: the case of algorithmic hiring
di: Nair, Rahul, et al.
Pubblicazione: (2025)

A Representation-Level Assessment of Bias Mitigation in Foundation Models
di: Nizhnichenkov, Svetoslav, et al.
Pubblicazione: (2026)

Human-Algorithm Collaborative Bayesian Optimization for Engineering Systems
di: Savage, Tom, et al.
Pubblicazione: (2024)

Learning with Embedded Linear Equality Constraints via Variational Bayesian Inference
di: Marsh, Matthew, et al.
Pubblicazione: (2026)

Autonomous Reality Modelling for Cultural Heritage Sites employing cooperative quadrupedal robots and unmanned aerial vehicles
di: Giakoumidis, Nikolaos, et al.
Pubblicazione: (2024)

Ranking Large Language Models without Ground Truth
di: Dhurandhar, Amit, et al.
Pubblicazione: (2024)

Exploring Fine-Tuning for Tabular Foundation Models
di: Tanna, Aditya, et al.
Pubblicazione: (2026)

Remixing Music for Hearing Aids Using Ensemble of Fine-Tuned Source Separators
di: Daly, Matthew
Pubblicazione: (2024)

Shapelets-Enriched Selective Forecasting using Time Series Foundation Models
di: Tomar, Shivani, et al.
Pubblicazione: (2026)

SoDaDE: Solvent Data-Driven Embeddings with Small Transformer Models
di: Gibberd, Gabriel Kitso, et al.
Pubblicazione: (2025)

Iterative Foundation Model Fine-Tuning on Multiple Rewards
di: Ghari, Pouya M., et al.
Pubblicazione: (2025)

AIM-Fair: Advancing Algorithmic Fairness via Selectively Fine-Tuning Biased Models with Contextual Synthetic Data
di: Zhao, Zengqun, et al.
Pubblicazione: (2025)

Max-Utility Based Arm Selection Strategy For Sequential Query Recommendations
di: Parambath, Shameem A. Puthiya, et al.
Pubblicazione: (2021)

Erasing the Bias: Fine-Tuning Foundation Models for Semi-Supervised Learning
di: Gan, Kai, et al.
Pubblicazione: (2024)

Task-Adaptive Parameter-Efficient Fine-Tuning for Weather Foundation Models
di: Cao, Shilei, et al.
Pubblicazione: (2025)

Causal Data Augmentation for Robust Fine-Tuning of Tabular Foundation Models
di: Bühler, Magnus, et al.
Pubblicazione: (2026)

Parameter-Efficient Fine-Tuning for Foundation Models
di: Zhang, Dan, et al.
Pubblicazione: (2025)

H2Tune: Federated Foundation Model Fine-Tuning with Hybrid Heterogeneity
di: Guo, Wei, et al.
Pubblicazione: (2025)

Decentralized Personalized Federated Learning based on a Conditional Sparse-to-Sparser Scheme
di: Long, Qianyu, et al.
Pubblicazione: (2024)

FedPFT: Federated Proxy Fine-Tuning of Foundation Models
di: Peng, Zhaopeng, et al.
Pubblicazione: (2024)

TabTune: A Unified Library for Inference and Fine-Tuning Tabular Foundation Models
di: Tanna, Aditya, et al.
Pubblicazione: (2025)

Synthetic CVs To Build and Test Fairness-Aware Hiring Tools
di: Saldivar, Jorge, et al.
Pubblicazione: (2025)

In-Context Fine-Tuning for Time-Series Foundation Models
di: Das, Abhimanyu, et al.
Pubblicazione: (2024)

Domain-Aware Fine-Tuning of Foundation Models
di: Kaplan, Ugur Ali, et al.
Pubblicazione: (2024)

TuneComp: Joint Fine-tuning and Compression for Large Foundation Models
di: Chen, Xiangyu, et al.
Pubblicazione: (2025)

Strategic Hiring under Algorithmic Monoculture
di: Baek, Jackie, et al.
Pubblicazione: (2025)

Improving Sequential Query Recommendation with Immediate User Feedback
di: Parambath, Shameem A Puthiya, et al.
Pubblicazione: (2022)

ABBA-Adapters: Efficient and Expressive Fine-Tuning of Foundation Models
di: Singhal, Raghav, et al.
Pubblicazione: (2025)

Riemannian Preconditioned LoRA for Fine-Tuning Foundation Models
di: Zhang, Fangzhao, et al.
Pubblicazione: (2024)

Modular Multimodal Classification Without Fine-Tuning: A Simple Compositional Approach
di: Bergström, Herman, et al.
Pubblicazione: (2026)

STaRFormer: Semi-Supervised Task-Informed Representation Learning via Dynamic Attention-Based Regional Masking for Sequential Data
di: Forstenhäusler, Maximilian, et al.
Pubblicazione: (2025)

bioLeak: Leakage-Aware Modeling and Diagnostics for Machine Learning in R
di: Korkmaz, Selçuk
Pubblicazione: (2026)

GenFT: A Generative Parameter-Efficient Fine-Tuning Method for Pretrained Foundation Models
di: Zhang, Baoquan, et al.
Pubblicazione: (2025)

Beyond LoRA: Exploring Efficient Fine-Tuning Techniques for Time Series Foundational Models
di: Gupta, Divij, et al.
Pubblicazione: (2024)

Communication-Efficient and Personalized Federated Foundation Model Fine-Tuning via Tri-Matrix Adaptation
di: Li, Yongle, et al.
Pubblicazione: (2025)

A Stronger Mixture of Low-Rank Experts for Fine-Tuning Foundation Models
di: Sun, Mengyang, et al.
Pubblicazione: (2025)

A Survey on Parameter-Efficient Fine-Tuning for Foundation Models in Federated Learning
di: Bian, Jieming, et al.
Pubblicazione: (2025)

Fairness-Aware Fine-Tuning of Vision-Language Models for Medical Glaucoma Diagnosis
di: Gu, Zijian, et al.
Pubblicazione: (2025)

Structural Priors and Modular Adapters in the Composable Fine-Tuning Algorithm of Large-Scale Models
di: Wang, Yuxiao, et al.
Pubblicazione: (2025)