Buchumschlag

Benchmarking Stochastic Approximation Algorithms for Fairness-Constrained Training of Deep Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kliachkin, Andrii, Lepšová, Jana, Bareilles, Gilles, Mareček, Jakub
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computers and Society Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

humancompatible.train: Implementing Optimization Algorithms for Stochastically-Constrained Stochastic Optimization Problems
von: Kliachkin, Andrii, et al.
Veröffentlicht: (2025)

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

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

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

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

Fair and Accurate Regression: Strong Formulations and Algorithms
von: Deza, Anna, et al.
Veröffentlicht: (2024)

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

Group-blind optimal transport to group parity and its constrained variants
von: Zhou, Quan, et al.
Veröffentlicht: (2023)

Algorithmic Challenges in Ensuring Fairness at the Time of Decision
von: Salem, Jad, et al.
Veröffentlicht: (2021)

Learning of Linear Dynamical Systems as a Non-Commutative Polynomial Optimization Problem
von: Zhou, Quan, et al.
Veröffentlicht: (2020)

Fair Clustering with Minimum Representation Constraints
von: Lawless, Connor, et al.
Veröffentlicht: (2024)

Fair Mixed Effects Support Vector Machine
von: Burgard, Jan Pablo, et al.
Veröffentlicht: (2024)

Stochastic Langevin Differential Inclusions with Applications to Machine Learning
von: Difonzo, Fabio V., et al.
Veröffentlicht: (2022)

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

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

Learning quantum Hamiltonians at any temperature in polynomial time with Chebyshev and bit complexity
von: Wodecki, Ales, et al.
Veröffentlicht: (2024)

Equalised Odds is not Equal Individual Odds: Post-processing for Group and Individual Fairness
von: Small, Edward A., et al.
Veröffentlicht: (2023)

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

Stochastic Approximation with Biased MCMC for Expectation Maximization
von: Gruffaz, Samuel, et al.
Veröffentlicht: (2024)

Neighbor-Sampling Based Momentum Stochastic Methods for Training Graph Neural Networks
von: Noel, Molly, et al.
Veröffentlicht: (2025)

Byzantine Machine Learning: MultiKrum and an optimal notion of robustness
von: Bareilles, Gilles, et al.
Veröffentlicht: (2026)

Towards Guided Descent: Optimization Algorithms for Training Neural Networks At Scale
von: Nagwekar, Ansh
Veröffentlicht: (2025)

Assortment Optimization for Patient-Provider Matching
von: Raman, Naveen, et al.
Veröffentlicht: (2025)

Training Deep Learning Models with Norm-Constrained LMOs
von: Pethick, Thomas, et al.
Veröffentlicht: (2025)

A Convexity-dependent Two-Phase Training Algorithm for Deep Neural Networks
von: Hrycej, Tomas, et al.
Veröffentlicht: (2025)

Single-Loop Deterministic and Stochastic Interior-Point Algorithms for Nonlinearly Constrained Optimization
von: Curtis, Frank E., et al.
Veröffentlicht: (2024)

Learning Optimal and Fair Policies for Online Allocation of Scarce Societal Resources from Data Collected in Deployment
von: Tang, Bill, et al.
Veröffentlicht: (2023)

Machine Unlearning Meets Adversarial Robustness via Constrained Interventions on LLMs
von: Rezkellah, Fatmazohra, et al.
Veröffentlicht: (2025)

Self-supervised Equality Embedded Deep Lagrange Dual for Approximate Constrained Optimization
von: Kim, Minsoo, et al.
Veröffentlicht: (2023)

Regularized Gradient Clipping Provably Trains Wide and Deep Neural Networks
von: Tucat, Matteo, et al.
Veröffentlicht: (2024)

Universal Approximation Power of Deep Residual Neural Networks via Nonlinear Control Theory
von: Tabuada, Paulo, et al.
Veröffentlicht: (2020)

Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems
von: Fang, Yuchen, et al.
Veröffentlicht: (2022)

Stochastic-Constrained Stochastic Optimization with Markovian Data
von: Kim, Yeongjong, et al.
Veröffentlicht: (2023)

Improved Approximation Algorithms for Orthogonally Constrained Problems Using Semidefinite Optimization
von: Cory-Wright, Ryan, et al.
Veröffentlicht: (2025)

Homotopy Relaxation Training Algorithms for Infinite-Width Two-Layer ReLU Neural Networks
von: Yang, Yahong, et al.
Veröffentlicht: (2023)

Tame Riemannian Stochastic Approximation
von: Aspman, Johannes, et al.
Veröffentlicht: (2023)

Exponential Concentration in Stochastic Approximation
von: Law, Kody, et al.
Veröffentlicht: (2022)

An Adaptive and Stability-Promoting Layerwise Training Approach for Sparse Deep Neural Network Architecture
von: Krishnanunni, C G, et al.
Veröffentlicht: (2022)

A Stochastic-Gradient-based Interior-Point Algorithm for Solving Smooth Bound-Constrained Optimization Problems
von: Curtis, Frank E., et al.
Veröffentlicht: (2023)

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