Buchumschlag

A Flexible Fairness Framework with Surrogate Loss Reweighting for Addressing Sociodemographic Disparities

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Wen, Dolatabadi, Elham
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Practical Guide for Causal Pathways and Sub-group Disparity Analysis
von: Kohankhaki, Farnaz, et al.
Veröffentlicht: (2024)

Exploring Bias and Prediction Metrics to Characterise the Fairness of Machine Learning for Equity-Centered Public Health Decision-Making: A Narrative Review
von: Raza, Shaina, et al.
Veröffentlicht: (2024)

DFedReweighting: A Unified Framework for Objective-Oriented Reweighting in Decentralized Federated Learning
von: Zhang, Kaichuang, et al.
Veröffentlicht: (2025)

FinP: Fairness-in-Privacy in Federated Learning by Addressing Disparities in Privacy Risk
von: Zhao, Tianyu, et al.
Veröffentlicht: (2025)

k-hop Fairness: Addressing Disparities in Graph Link Prediction Beyond First-Order Neighborhoods
von: Marey, Lilian, et al.
Veröffentlicht: (2026)

Individual Fairness Through Reweighting and Tuning
von: Mahamadou, Abdoul Jalil Djiberou, et al.
Veröffentlicht: (2024)

Adaptive Boosting with Fairness-aware Reweighting Technique for Fair Classification
von: Song, Xiaobin, et al.
Veröffentlicht: (2024)

Demystifying Diffusion Objectives: Reweighted Losses are Better Variational Bounds
von: Shi, Jiaxin, et al.
Veröffentlicht: (2025)

Exploring Criteria of Loss Reweighting to Enhance LLM Unlearning
von: Yang, Puning, et al.
Veröffentlicht: (2025)

Fairness-aware PageRank via Edge Reweighting
von: Wang, Honglian, et al.
Veröffentlicht: (2025)

Enhancing Fairness through Reweighting: A Path to Attain the Sufficiency Rule
von: Zhao, Xuan, et al.
Veröffentlicht: (2024)

Addressing Information Loss and Interaction Collapse: A Dual Enhanced Attention Framework for Feature Interaction
von: Xu, Yi, et al.
Veröffentlicht: (2025)

IFFair: Influence Function-driven Sample Reweighting for Fair Classification
von: Yang, Jingran, et al.
Veröffentlicht: (2025)

Automated Capability Evaluation of Foundation Models
von: Afkanpour, Arash, et al.
Veröffentlicht: (2025)

Understanding Fairness Surrogate Functions in Algorithmic Fairness
von: Yao, Wei, et al.
Veröffentlicht: (2023)

On the Maximal Local Disparity of Fairness-Aware Classifiers
von: Jin, Jinqiu, et al.
Veröffentlicht: (2024)

Balancing Fairness, Privacy, and Accuracy: A Multitask Adversarial Framework for Centralized Data-Driven Systems
von: Ekanayake, Imesh, et al.
Veröffentlicht: (2026)

Alpha and Prejudice: Improving $α$-sized Worst-case Fairness via Intrinsic Reweighting
von: Li, Jing, et al.
Veröffentlicht: (2024)

On the Limits of Sparse Autoencoders: A Theoretical Framework and Reweighted Remedy
von: Cui, Jingyi, et al.
Veröffentlicht: (2025)

Consistency Conditions for Differentiable Surrogate Losses
von: Khurana, Drona, et al.
Veröffentlicht: (2025)

FaLW: A Forgetting-aware Loss Reweighting for Long-tailed Unlearning
von: Yu, Liheng, et al.
Veröffentlicht: (2026)

Explainable Disparity Compensation for Efficient Fair Ranking
von: Gale, Abraham, et al.
Veröffentlicht: (2023)

An Explicit Surrogate for Gaussian Mixture Flow Matching with Wasserstein Gap Bounds
von: Rostami, Elham, et al.
Veröffentlicht: (2026)

MAST: A Multi-fidelity Augmented Surrogate model via Spatial Trust-weighting
von: Nasr, Ahmed Mohamed Eisa, et al.
Veröffentlicht: (2026)

Learning Differentiable Surrogate Losses for Structured Prediction
von: Yang, Junjie, et al.
Veröffentlicht: (2024)

Prompt Fairness: Sub-group Disparities in LLMs
von: Zhong, Meiyu, et al.
Veröffentlicht: (2025)

Dynamic Loss-Based Sample Reweighting for Improved Large Language Model Pretraining
von: Sow, Daouda, et al.
Veröffentlicht: (2025)

Beyond Losses Reweighting: Empowering Multi-Task Learning via the Generalization Perspective
von: Phan, Hoang, et al.
Veröffentlicht: (2022)

A Universal Growth Rate for Learning with Smooth Surrogate Losses
von: Mao, Anqi, et al.
Veröffentlicht: (2024)

Fairness in Ranking under Disparate Uncertainty
von: Rastogi, Richa, et al.
Veröffentlicht: (2023)

Rethinking Loss Reweighting for Imbalance Learning as an Inverse Problem: A Neural Collapse Point of View
von: Wang, Jinping, et al.
Veröffentlicht: (2026)

Non-Stationary Online Structured Prediction with Surrogate Losses
von: Sakaue, Shinsaku, et al.
Veröffentlicht: (2025)

Entropy Reweighted Conformal Classification
von: Luo, Rui, et al.
Veröffentlicht: (2024)

Fair Machine Learning for Healthcare Requires Recognizing the Intersectionality of Sociodemographic Factors, a Case Study
von: Valentine, Alissa A., et al.
Veröffentlicht: (2024)

Information Loss and Disparate Effects in Network Embeddings
von: Chuang, Gabriel, et al.
Veröffentlicht: (2025)

Private and Fair Machine Learning: Revisiting the Disparate Impact of Differentially Private SGD
von: Demelius, Lea, et al.
Veröffentlicht: (2025)

Fair Machine Unlearning: Data Removal while Mitigating Disparities
von: Oesterling, Alex, et al.
Veröffentlicht: (2023)

Establishing Linear Surrogate Regret Bounds for Convex Smooth Losses via Convolutional Fenchel-Young Losses
von: Cao, Yuzhou, et al.
Veröffentlicht: (2025)

Analyzing Cost-Sensitive Surrogate Losses via $\mathcal{H}$-calibration
von: Shah, Sanket, et al.
Veröffentlicht: (2025)

Minimax Optimal Fair Classification with Bounded Demographic Disparity
von: Zeng, Xianli, et al.
Veröffentlicht: (2024)