Buchumschlag

FedFACT: A Provable Framework for Controllable Group-Fairness Calibration in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Li, Han, Zhongxuan, Feng, Xiaohua, Zhang, Jiaming, Li, Yuyuan, Chen, Chaochao
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

WassFFed: Wasserstein Fair Federated Learning
von: Han, Zhongxuan, et al.
Veröffentlicht: (2024)

LoGoFair: Post-Processing for Local and Global Fairness in Federated Learning
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Class-wise Federated Unlearning: Harnessing Active Forgetting with Teacher-Student Memory Generation
von: Li, Yuyuan, et al.
Veröffentlicht: (2023)

Sharpness-Aware Minimization for Generalized Embedding Learning in Federated Recommendation
von: Yu, Fengyuan, et al.
Veröffentlicht: (2026)

Demystifying the Optimal Fair Classifier in Multi-Class Classification
von: Zhang, Li, et al.
Veröffentlicht: (2026)

Taming the Long Tail: Efficient Item-wise Sharpness-Aware Minimization for LLM-based Recommender Systems
von: Zhang, Jiaming, et al.
Veröffentlicht: (2026)

Bridging the Gap Between Preference Alignment and Machine Unlearning
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

A Survey on Generative Model Unlearning: Fundamentals, Taxonomy, Evaluation, and Future Direction
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

Integration of Large Language Models and Federated Learning
von: Chen, Chaochao, et al.
Veröffentlicht: (2023)

LEGO: A Lightweight and Efficient Multiple-Attribute Unlearning Framework for Recommender Systems
von: Yu, Fengyuan, et al.
Veröffentlicht: (2025)

A Neuro-inspired Interpretation of Unlearning in Large Language Models through Sample-level Unlearning Difficulty
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

Controllable Unlearning for Image-to-Image Generative Models via $\varepsilon$-Constrained Optimization
von: Feng, Xiaohua, et al.
Veröffentlicht: (2024)

BiFair: A Fairness-aware Training Framework for LLM-enhanced Recommender Systems via Bi-level Optimization
von: Zhang, Jiaming, et al.
Veröffentlicht: (2025)

UFO: Unfair-to-Fair Evolving Mitigates Unfairness in LLM-based Recommender Systems via Self-Play Fine-tuning
von: Zhang, Jiaming, et al.
Veröffentlicht: (2025)

CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence
von: Chen, Chaochao, et al.
Veröffentlicht: (2024)

FedCD: A Fairness-aware Federated Cognitive Diagnosis Framework
von: Yang, Shangshang, et al.
Veröffentlicht: (2025)

pFedFair: Towards Optimal Group Fairness-Accuracy Trade-off in Heterogeneous Federated Learning
von: Lei, Haoyu, et al.
Veröffentlicht: (2025)

FedShard: Federated Unlearning with Efficiency Fairness and Performance Fairness
von: Wen, Siyuan, et al.
Veröffentlicht: (2025)

TOFA: Training-Free One-Shot Federated Adaptation for Vision-Language Models
von: Zhang, Li, et al.
Veröffentlicht: (2025)

FedModule: A Modular Federated Learning Framework
von: Chen, Chuyi, et al.
Veröffentlicht: (2024)

Generalizable Multimodal Large Language Model Editing via Invariant Trajectory Learning
von: Su, Jiajie, et al.
Veröffentlicht: (2026)

FedFair^3: Unlocking Threefold Fairness in Federated Learning
von: Javaherian, Simin, et al.
Veröffentlicht: (2024)

RAID: An In-Training Defense against Attribute Inference Attacks in Recommender Systems
von: Feng, Xiaohua, et al.
Veröffentlicht: (2025)

FedPCA: Noise-Robust Fair Federated Learning via Performance-Capacity Analysis
von: Wu, Nannan, et al.
Veröffentlicht: (2025)

FairFedMed: Benchmarking Group Fairness in Federated Medical Imaging with FairLoRA
von: Li, Minghan, et al.
Veröffentlicht: (2025)

FedRE: A Representation Entanglement Framework for Model-Heterogeneous Federated Learning
von: Yao, Yuan, et al.
Veröffentlicht: (2025)

On Provable Benefits of Muon in Federated Learning
von: Zhang, Xinwen, et al.
Veröffentlicht: (2025)

FedGA: A Fair Federated Learning Framework Based on the Gini Coefficient
von: Liu, ShanBin
Veröffentlicht: (2025)

FedCal: Achieving Local and Global Calibration in Federated Learning via Aggregated Parameterized Scaler
von: Peng, Hongyi, et al.
Veröffentlicht: (2024)

FedEM: A Privacy-Preserving Framework for Concurrent Utility Preservation in Federated Learning
von: Xu, Mingcong, et al.
Veröffentlicht: (2025)

FedAA: A Reinforcement Learning Perspective on Adaptive Aggregation for Fair and Robust Federated Learning
von: He, Jialuo, et al.
Veröffentlicht: (2024)

Fair Risk Control: A Generalized Framework for Calibrating Multi-group Fairness Risks
von: Zhang, Lujing, et al.
Veröffentlicht: (2024)

FedCF: Fair Federated Conformal Prediction
von: Srinivasan, Anutam, et al.
Veröffentlicht: (2025)

FedMGP: Personalized Federated Learning with Multi-Group Text-Visual Prompts
von: Bo, Weihao, et al.
Veröffentlicht: (2025)

Reproducibility Companion Paper:In-processing User Constrained Dominant Sets for User-Oriented Fairness in Recommender Systems
von: Liu, Yixiu, et al.
Veröffentlicht: (2025)

FedGPS: Statistical Rectification Against Data Heterogeneity in Federated Learning
von: Yang, Zhiqin, et al.
Veröffentlicht: (2025)

FedPall: Prototype-based Adversarial and Collaborative Learning for Federated Learning with Feature Drift
von: Zhang, Yong, et al.
Veröffentlicht: (2025)

FedSAE: A Novel Self-Adaptive Federated Learning Framework in Heterogeneous Systems
von: Li, Li, et al.
Veröffentlicht: (2021)

GuardFed: A Trustworthy Federated Learning Framework Against Dual-Facet Attacks
von: Li, Yanli, et al.
Veröffentlicht: (2025)

Calibre: Towards Fair and Accurate Personalized Federated Learning with Self-Supervised Learning
von: Chen, Sijia, et al.
Veröffentlicht: (2024)