Buchumschlag

Taming the Triangle: On the Interplays Between Fairness, Interpretability, and Privacy in Machine Learning

Fuente: Wiley Open Access

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Julien Ferry, Ulrich Aïvodji, Sébastien Gambs, Marie‐José Huguet, Mohamed Siala
Format:	Artículo Open Access
Veröffentlicht:	Wiley 2025
Schlagworte:	Computational Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Probabilistic Dataset Reconstruction from Interpretable Models
von: Ferry, Julien, et al.
Veröffentlicht: (2023)

Smooth Sensitivity for Learning Differentially-Private yet Accurate Rule Lists
von: Ly, Timothée, et al.
Veröffentlicht: (2024)

When Interpretability Is Unequally Distributed: Fairness in Hybrid Interpretable Models
von: Zare, Ziba Jabbar, et al.
Veröffentlicht: (2026)

Fairness Evaluation of Neural Networks Through Computational Profile Likelihood
von: Benjamin Djian, et al.
Veröffentlicht: (2025)

Fairness Under Demographic Scarce Regime
von: Kenfack, Patrik Joslin, et al.
Veröffentlicht: (2023)

Training Set Reconstruction from Differentially Private Forests: How Effective is DP?
von: Gorgé, Alice, et al.
Veröffentlicht: (2025)

On Trustworthy Rule-Based Models and Explanations
von: Siala, Mohamed, et al.
Veröffentlicht: (2025)

Beyond Correlation: Interpretable Evaluation of Machine Translation Metrics
von: Perrella, Stefano, et al.
Veröffentlicht: (2024)

Fairness-Aware Interpretable Modeling (FAIM) for Trustworthy Machine Learning in Healthcare
von: Liu, Mingxuan, et al.
Veröffentlicht: (2024)

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

Impact of LLMs news Sentiment Analysis on Stock Price Movement Prediction
von: Siala, Walid, et al.
Veröffentlicht: (2026)

Revisiting Locally Differentially Private Protocols: Towards Better Trade-offs in Privacy, Utility, and Attack Resistance
von: Arcolezi, Héber H., et al.
Veröffentlicht: (2025)

Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning
von: Qi, Jun, et al.
Veröffentlicht: (2024)

Measuring the Hidden Cost of Data Valuation through Collective Disclosure
von: Mesana, Patrick, et al.
Veröffentlicht: (2025)

Interplay of Machine Translation, Diacritics, and Diacritization
von: Chen, Wei-Rui, et al.
Veröffentlicht: (2024)

Ethical AI in Retail: Consumer Privacy and Fairness
von: Adanyin, Anthonette
Veröffentlicht: (2024)

PUFFLE: Balancing Privacy, Utility, and Fairness in Federated Learning
von: Corbucci, Luca, et al.
Veröffentlicht: (2024)

The Impact of Generalization Techniques on the Interplay Among Privacy, Utility, and Fairness in Image Classification
von: Hassanpour, Ahmad, et al.
Veröffentlicht: (2024)

On the Interplay of Human-AI Alignment,Fairness, and Performance Trade-offs in Medical Imaging
von: Luo, Haozhe, et al.
Veröffentlicht: (2025)

Interpretable Machine Learning for TabPFN
von: Rundel, David, et al.
Veröffentlicht: (2024)

Tuning Derivatives for Causal Fairness in Machine Learning
von: Edström, Filip, et al.
Veröffentlicht: (2026)

Fair Machine Learning in Healthcare: A Review
von: Feng, Qizhang, et al.
Veröffentlicht: (2022)

On The Fairness Impacts of Hardware Selection in Machine Learning
von: Nelaturu, Sree Harsha, et al.
Veröffentlicht: (2023)

PANORAMIA: Privacy Auditing of Machine Learning Models without Retraining
von: Kazmi, Mishaal, et al.
Veröffentlicht: (2024)

Investigating the Duality of Interpretability and Explainability in Machine Learning
von: Garouani, Moncef, et al.
Veröffentlicht: (2025)

On the Relationship Between Interpretability and Explainability in Machine Learning
von: Leblanc, Benjamin, et al.
Veröffentlicht: (2023)

Crowding Out The Noise: Algorithmic Collective Action Under Differential Privacy
von: Solanki, Rushabh, et al.
Veröffentlicht: (2025)

Fairness-in-the-Workflow: How Machine Learning Practitioners at Big Tech Companies Approach Fairness in Recommender Systems
von: Yan, Jing Nathan, et al.
Veröffentlicht: (2025)

Interpretable Machine Learning in Physics: A Review
von: Wetzel, Sebastian Johann, et al.
Veröffentlicht: (2025)

Incentive-Aware Machine Learning; Robustness, Fairness, Improvement & Causality
von: Podimata, Chara
Veröffentlicht: (2025)

BiasGuard: Guardrailing Fairness in Machine Learning Production Systems
von: Cohen-Inger, Nurit, et al.
Veröffentlicht: (2025)

Understanding Fairness-Accuracy Trade-offs in Machine Learning Models: Does Promoting Fairness Undermine Performance?
von: Liu, Junhua, et al.
Veröffentlicht: (2024)

On the Fairness of Privacy Protection: Measuring and Mitigating the Disparity of Group Privacy Risks for Differentially Private Machine Learning
von: Yang, Zhi, et al.
Veröffentlicht: (2025)

Challenging the Performance-Interpretability Trade-off: An Evaluation of Interpretable Machine Learning Models
von: Kruschel, Sven, et al.
Veröffentlicht: (2024)

Legally Binding but Unfair? Towards Assessing Fairness of Privacy Policies
von: Freiberger, Vincent, et al.
Veröffentlicht: (2024)

Analyzing Fairness of Classification Machine Learning Model with Structured Dataset
von: Rashed, Ahmed, et al.
Veröffentlicht: (2024)

Interpretable Debiasing of Vision-Language Models for Social Fairness
von: An, Na Min, et al.
Veröffentlicht: (2026)

Decision Making with Differential Privacy under a Fairness Lens
von: Fioretto, Ferdinando, et al.
Veröffentlicht: (2021)

What Is the Point of Equality in Machine Learning Fairness? Beyond Equality of Opportunity
von: Kong, Youjin
Veröffentlicht: (2025)

Machine Learning Techniques with Fairness for Prediction of Completion of Drug and Alcohol Rehabilitation
von: Roberts-Licklider, Karen, et al.
Veröffentlicht: (2024)