Buchumschlag

No Location Left Behind: Measuring and Improving the Fairness of Implicit Representations for Earth Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cai, Daniel, Balestriero, Randall
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SAFE: A Novel Approach to AI Weather Evaluation through Stratified Assessments of Forecasts over Earth
von: Masi, Nick, et al.
Veröffentlicht: (2025)

The Fair Language Model Paradox
von: Pinto, Andrea, et al.
Veröffentlicht: (2024)

Occam's Razor for Self Supervised Learning: What is Sufficient to Learn Good Representations?
von: Ibrahim, Mark, et al.
Veröffentlicht: (2024)

Task Priors: Enhancing Model Evaluation by Considering the Entire Space of Downstream Tasks
von: Patel, Niket, et al.
Veröffentlicht: (2025)

ALLoRA: Adaptive Learning Rate Mitigates LoRA Fatal Flaws
von: Huang, Hai, et al.
Veröffentlicht: (2024)

Fast and Exact Enumeration of Deep Networks Partitions Regions
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

Why and How Auxiliary Tasks Improve JEPA Representations
von: Yu, Jiacan, et al.
Veröffentlicht: (2025)

Self-Supervised Anomaly Detection in the Wild: Favor Joint Embeddings Methods
von: Otero, Daniel, et al.
Veröffentlicht: (2024)

Characterizing Large Language Model Geometry Helps Solve Toxicity Detection and Generation
von: Balestriero, Randall, et al.
Veröffentlicht: (2023)

Position: An Empirically Grounded Identifiability Theory Will Accelerate Self-Supervised Learning Research
von: Reizinger, Patrik, et al.
Veröffentlicht: (2025)

LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics
von: Balestriero, Randall, et al.
Veröffentlicht: (2025)

Learning by Reconstruction Produces Uninformative Features For Perception
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

Generating Synthetic Fair Syntax-agnostic Data by Learning and Distilling Fair Representation
von: Sikder, Md Fahim, et al.
Veröffentlicht: (2024)

PrAg-PO: Prompt Augmented Policy Optimization for Robust and Diverse Mathematical Reasoning
von: Lu, Wenquan, et al.
Veröffentlicht: (2026)

Gaussian Embeddings: How JEPAs Secretly Learn Your Data Density
von: Balestriero, Randall, et al.
Veröffentlicht: (2025)

Cross-Entropy Is All You Need To Invert the Data Generating Process
von: Reizinger, Patrik, et al.
Veröffentlicht: (2024)

FastDINOv2: Frequency Based Curriculum Learning Improves Robustness and Training Speed
von: Zhang, Jiaqi, et al.
Veröffentlicht: (2025)

Ditch the Denoiser: Emergence of Noise Robustness in Self-Supervised Learning from Data Curriculum
von: Lu, Wenquan, et al.
Veröffentlicht: (2025)

Deep Networks Always Grok and Here is Why
von: Humayun, Ahmed Imtiaz, et al.
Veröffentlicht: (2024)

On the Geometry of Deep Learning
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels
von: Maes, Lucas, et al.
Veröffentlicht: (2026)

SplInterp: Improving our Understanding and Training of Sparse Autoencoders
von: Budd, Jeremy, et al.
Veröffentlicht: (2025)

No One Left Behind: How to Exploit the Incomplete and Skewed Multi-Label Data for Conversion Rate Prediction
von: Jia, Qinglin, et al.
Veröffentlicht: (2025)

No Token Left Behind: Reliable KV Cache Compression via Importance-Aware Mixed Precision Quantization
von: Yang, June Yong, et al.
Veröffentlicht: (2024)

LoRA Users Beware: A Few Spurious Tokens Can Manipulate Your Finetuned Model
von: Salles, Marcel Mateos, et al.
Veröffentlicht: (2025)

TabINR: An Implicit Neural Representation Framework for Tabular Data Imputation
von: Ochs, Vincent, et al.
Veröffentlicht: (2025)

GPS-SSL: Guided Positive Sampling to Inject Prior Into Self-Supervised Learning
von: Feizi, Aarash, et al.
Veröffentlicht: (2024)

Recovering from Biased Data: Can Fairness Constraints Improve Accuracy?
von: Blum, Avrim, et al.
Veröffentlicht: (2019)

Improving LLM Group Fairness on Tabular Data via In-Context Learning
von: Cherepanova, Valeriia, et al.
Veröffentlicht: (2024)

Learning Fairer Representations with FairVIC
von: Barker, Charmaine, et al.
Veröffentlicht: (2024)

LoReUn: Data Itself Implicitly Provides Cues to Improve Machine Unlearning
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Joint Embedding vs Reconstruction: Provable Benefits of Latent Space Prediction for Self Supervised Learning
von: Van Assel, Hugues, et al.
Veröffentlicht: (2025)

Geographic Location Encoding with Spherical Harmonics and Sinusoidal Representation Networks
von: Rußwurm, Marc, et al.
Veröffentlicht: (2023)

ImputeINR: Time Series Imputation via Implicit Neural Representations for Disease Diagnosis with Missing Data
von: Li, Mengxuan, et al.
Veröffentlicht: (2025)

Fair4Free: Generating High-fidelity Fair Synthetic Samples using Data Free Distillation
von: Sikder, Md Fahim, et al.
Veröffentlicht: (2024)

Geometric Representation Condition Improves Equivariant Molecule Generation
von: Li, Zian, et al.
Veröffentlicht: (2024)

Max-Affine Spline Insights Into Deep Network Pruning
von: You, Haoran, et al.
Veröffentlicht: (2021)

Differential Adjusted Parity for Learning Fair Representations
von: Sahyouni, Bucher, et al.
Veröffentlicht: (2025)

Simple and Effective Specialized Representations for Fair Classifiers
von: Sinigaglia, Alberto, et al.
Veröffentlicht: (2025)

Back to the Drawing Board for Fair Representation Learning
von: Pouget, Angéline, et al.
Veröffentlicht: (2024)