Copertina

Bias Detection via Maximum Subgroup Discrepancy

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Němeček, Jiří, Kozdoba, Mark, Kryvoviaz, Illia, Pevný, Tomáš, Mareček, Jakub
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Intersectional Fairness via Mixed-Integer Optimization
di: Němeček, Jiří, et al.
Pubblicazione: (2026)

Generating Likely Counterfactuals Using Sum-Product Networks
di: Nemecek, Jiri, et al.
Pubblicazione: (2024)

Improving the Validity of Decision Trees as Explanations
di: Nemecek, Jiri, et al.
Pubblicazione: (2023)

humancompatible.detect: a Python Toolkit for Detecting Bias in AI Models
di: Matilla, German M., et al.
Pubblicazione: (2025)

Piecewise Polynomial Regression of Tame Functions via Integer Programming
di: Bareilles, Gilles, et al.
Pubblicazione: (2023)

Sample Complexity of Bias Detection with Subsampled Point-to-Subspace Distances
di: Matilla, German Martinez, et al.
Pubblicazione: (2025)

Sobolev Space Regularised Pre Density Models
di: Kozdoba, Mark, et al.
Pubblicazione: (2023)

Plausible Counterfactual Explanations of Recommendations
di: Černý, Jakub, et al.
Pubblicazione: (2025)

Classification with Costly Features in Hierarchical Deep Sets
di: Janisch, Jaromír, et al.
Pubblicazione: (2019)

Online Learning with Multiple Fairness Regularizers via Graph-Structured Feedback
di: Zhou, Quan, et al.
Pubblicazione: (2025)

Online Drift Detection with Maximum Concept Discrepancy
di: Wan, Ke, et al.
Pubblicazione: (2024)

Sparse Probabilistic Graph Circuits
di: Rektoris, Martin, et al.
Pubblicazione: (2025)

Probabilistic Graph Circuits: Deep Generative Models for Tractable Probabilistic Inference over Graphs
di: Papež, Milan, et al.
Pubblicazione: (2025)

Sum-Product-Set Networks: Deep Tractable Models for Tree-Structured Graphs
di: Papež, Milan, et al.
Pubblicazione: (2024)

GraphSPNs: Sum-Product Networks Benefit From Canonical Orderings
di: Papež, Milan, et al.
Pubblicazione: (2024)

EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting
di: Zilinskas, Antanas, et al.
Pubblicazione: (2026)

Subgroups Matter for Robust Bias Mitigation
di: Alloula, Anissa, et al.
Pubblicazione: (2025)

Taming Binarized Neural Networks and Mixed-Integer Programs
di: Aspman, Johannes, et al.
Pubblicazione: (2023)

Learning Dynamic Representations via An Optimally-Weighted Maximum Mean Discrepancy Optimization Framework for Continual Learning
di: Huang, KaiHui, et al.
Pubblicazione: (2025)

Stochastic Penalty-Barrier Methods for Constrained Machine Learning
di: Bosák, Adam, et al.
Pubblicazione: (2026)

Debiasing Algorithm through Model Adaptation
di: Limisiewicz, Tomasz, et al.
Pubblicazione: (2023)

Fairness in Ranking: Robustness through Randomization without the Protected Attribute
di: Kliachkin, Andrii, et al.
Pubblicazione: (2024)

Tractable Probabilistic Models for Investment Planning
di: A., Nicolas M. Cuadrado, et al.
Pubblicazione: (2025)

Joint Problems in Learning Multiple Dynamical Systems
di: Niu, Mengjia, et al.
Pubblicazione: (2023)

HistoKernel: Whole Slide Image Level Maximum Mean Discrepancy Kernels for Pan-Cancer Predictive Modelling
di: Keller, Piotr, et al.
Pubblicazione: (2024)

Training-Free Distribution Adaptation for Diffusion Models via Maximum Mean Discrepancy Guidance
di: Sani, Matina Mahdizadeh, et al.
Pubblicazione: (2026)

Deep Learning as the Disciplined Construction of Tame Objects
di: Bareilles, Gilles, et al.
Pubblicazione: (2025)

ZKPROV: A Zero-Knowledge Approach to Dataset Provenance for Large Language Models
di: Namazi, Mina, et al.
Pubblicazione: (2025)

ALERT: Zero-shot LLM Jailbreak Detection via Internal Discrepancy Amplification
di: Lin, Xiao, et al.
Pubblicazione: (2026)

Mitigating Partial Observability in Sequential Decision Processes via the Lambda Discrepancy
di: Allen, Cameron, et al.
Pubblicazione: (2024)

Deriving the Scaled-Dot-Function via Maximum Likelihood Estimation and Maximum Entropy Approach
di: Ma, Jiyong
Pubblicazione: (2025)

Adversarial Robustness of VAEs across Intersectional Subgroups
di: Ramanaik, Chethan Krishnamurthy, et al.
Pubblicazione: (2024)

Discrepancy-Aware Graph Mask Auto-Encoder
di: Zheng, Ziyu, et al.
Pubblicazione: (2025)

Understanding Prediction Discrepancies in Machine Learning Classifiers
di: Renard, Xavier, et al.
Pubblicazione: (2021)

Representation Invariance and Allocation: When Subgroup Balance Matters
di: Alloula, Anissa, et al.
Pubblicazione: (2025)

ProxiMix: Enhancing Fairness with Proximity Samples in Subgroups
di: Hu, Jingyu, et al.
Pubblicazione: (2024)

Causal Bias Detection in Generative Artificial Intelligence
di: Plecko, Drago
Pubblicazione: (2026)

Federated Unlearning in the Wild: Rethinking Fairness and Data Discrepancy
di: Huang, ZiHeng, et al.
Pubblicazione: (2025)

Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy
di: Lan, Tian, et al.
Pubblicazione: (2025)

Streaming Attention Approximation via Discrepancy Theory
di: Kochetkova, Ekaterina, et al.
Pubblicazione: (2025)