Buchumschlag

Towards Group Fairness with Multiple Sensitive Attributes in Federated Foundation Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Yuning, Yu, Han, Gao, Tianrun, Xu, Xiaodong, Wang, Guangyu
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

SPD-CFL: Stepwise Parameter Dropout for Efficient Continual Federated Learning
von: Yang, Yuning, et al.
Veröffentlicht: (2024)

Towards Collaborative Fairness in Federated Learning Under Imbalanced Covariate Shift
von: Yu, Tianrun, et al.
Veröffentlicht: (2025)

A Sequentially Fair Mechanism for Multiple Sensitive Attributes
von: Hu, François, et al.
Veröffentlicht: (2023)

Fairness without Sensitive Attributes via Knowledge Sharing
von: Ni, Hongliang, et al.
Veröffentlicht: (2024)

Towards Fair Graph Neural Networks via Graph Counterfactual without Sensitive Attributes
von: Wang, Xuemin, et al.
Veröffentlicht: (2024)

Towards Order Fairness: Mitigating LLMs Order Sensitivity through Dual Group Advantage Optimization
von: Chu, Xu, et al.
Veröffentlicht: (2026)

Bayes-Optimal Fair Classification with Multiple Sensitive Features
von: Yang, Yi, et al.
Veröffentlicht: (2025)

Federated Fairness without Access to Sensitive Groups
von: Papadaki, Afroditi, et al.
Veröffentlicht: (2024)

When the Server Steps In: Calibrated Updates for Fair Federated Learning
von: Yu, Tianrun, et al.
Veröffentlicht: (2026)

On the Alignment of Group Fairness with Attribute Privacy
von: Aalmoes, Jan, et al.
Veröffentlicht: (2022)

PFAttack: Stealthy Attack Bypassing Group Fairness in Federated Learning
von: Gao, Jiashi, et al.
Veröffentlicht: (2024)

Learning Fair Models without Sensitive Attributes: A Generative Approach
von: Zhu, Huaisheng, et al.
Veröffentlicht: (2022)

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

Fair Supervised Learning with A Simple Random Sampler of Sensitive Attributes
von: Sohn, Jinwon, et al.
Veröffentlicht: (2023)

Towards Fair In-Context Learning with Tabular Foundation Models
von: Kenfack, Patrik, et al.
Veröffentlicht: (2025)

Enhancing Multi-Attribute Fairness in Healthcare Predictive Modeling
von: Wang, Xiaoyang, et al.
Veröffentlicht: (2025)

Fair Graph Representation Learning via Sensitive Attribute Disentanglement
von: Zhu, Yuchang, et al.
Veröffentlicht: (2024)

Fair Concurrent Training of Multiple Models in Federated Learning
von: Siew, Marie, et al.
Veröffentlicht: (2024)

When Structure Doesn't Help: LLMs Do Not Read Text-Attributed Graphs as Effectively as We Expected
von: Xu, Haotian, et al.
Veröffentlicht: (2025)

FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods
von: Han, Xiaotian, et al.
Veröffentlicht: (2023)

Generalizing Fair Clustering to Multiple Groups: Algorithms and Applications
von: Chakraborty, Diptarka, et al.
Veröffentlicht: (2025)

Equipping Federated Graph Neural Networks with Structure-aware Group Fairness
von: Cui, Nan, et al.
Veröffentlicht: (2023)

Hyper-parameter Tuning for Fair Classification without Sensitive Attribute Access
von: Veldanda, Akshaj Kumar, et al.
Veröffentlicht: (2023)

Fair Representation Learning for Continuous Sensitive Attributes using Expectation of Integral Probability Metrics
von: Kong, Insung, et al.
Veröffentlicht: (2025)

One Fits All: Learning Fair Graph Neural Networks for Various Sensitive Attributes
von: Zhu, Yuchang, et al.
Veröffentlicht: (2024)

Exploring Parameter-Efficient Fine-Tuning to Enable Foundation Models in Federated Learning
von: Sun, Guangyu, et al.
Veröffentlicht: (2022)

Fair Recommendations with Limited Sensitive Attributes: A Distributionally Robust Optimization Approach
von: Shi, Tianhao, et al.
Veröffentlicht: (2024)

FedFACT: A Provable Framework for Controllable Group-Fairness Calibration in Federated Learning
von: Zhang, Li, et al.
Veröffentlicht: (2025)

Advances and Open Challenges in Federated Foundation Models
von: Ren, Chao, et al.
Veröffentlicht: (2024)

Open Challenges and Opportunities in Federated Foundation Models Towards Biomedical Healthcare
von: Li, Xingyu, et al.
Veröffentlicht: (2024)

FairGen: Controlling Sensitive Attributes for Fair Generations in Diffusion Models via Adaptive Latent Guidance
von: Kang, Mintong, et al.
Veröffentlicht: (2025)

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

Post-Fair Federated Learning: Achieving Group and Community Fairness in Federated Learning via Post-processing
von: Duan, Yuying, et al.
Veröffentlicht: (2024)

Time-FFM: Towards LM-Empowered Federated Foundation Model for Time Series Forecasting
von: Liu, Qingxiang, et al.
Veröffentlicht: (2024)

On ADMM in Heterogeneous Federated Learning: Personalization, Robustness, and Fairness
von: Zhu, Shengkun, et al.
Veröffentlicht: (2024)

Scalable Cross-Facility Federated Learning for Scientific Foundation Models on Multiple Supercomputers
von: Li, Yijiang, et al.
Veröffentlicht: (2026)

Position Paper: Assessing Robustness, Privacy, and Fairness in Federated Learning Integrated with Foundation Models
von: Wang, Jiaqi, et al.
Veröffentlicht: (2024)

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

Towards Poisoning Fair Representations
von: Liu, Tianci, et al.
Veröffentlicht: (2023)

Closer to Reality: Practical Semi-Supervised Federated Learning for Foundation Model Adaptation
von: Sun, Guangyu, et al.
Veröffentlicht: (2025)