Enhancing Protections through the Collective Auditing of Algorithmic Personalization

Informations projet

personAlg

N° de convention de subvention: 101125913

DOI

10.3030/101125913

Date de signature de la CE 8 Mars 2024

Date de début 1 Septembre 2024

Date de fin 31 Août 2029

Financé au titre de

• European Research Council (ERC)

Coût total

€ 1 741 309,00

Contribution de l’UE

€ 1 741 309,00

Coordonné par

THE HEBREW UNIVERSITY OF JERUSALEM
Israel

CORDIS fournit des liens vers les livrables publics et les publications des projets HORIZON.

Les liens vers les livrables et les publications des projets du 7e PC, ainsi que les liens vers certains types de résultats spécifiques tels que les jeux de données et les logiciels, sont récupérés dynamiquement sur OpenAIRE .

Publications

Conference proceedings (6)

The Gaussian Mixing Mechanism: Renyi Differential Privacy via Gaussian Sketches

Auteurs: Omri Lev, Vishwak Srinivasan, Moshe Shenfeld, Katrina Ligett, Ayush Sekhari, Ashia Wilson
Publié dans: Advances in Neural Information Processing Systems 38, 2025
Éditeur: Neural Information Processing Systems Foundation, Inc. (NeurIPS)
DOI: 10.52202/085713-1690

Fair Decisions from Calibrated Scores: Achieving Optimal Classification While Satisfying Sufficiency

Auteurs: Etam Benger and Katrina Ligett
Publié dans: International Conference on Machine Learning (ICML 2026), 2026
Éditeur: PMLR
DOI: 10.48550/ARXIV.2602.07285

Mapping the Tradeoffs and Limitations of Algorithmic Fairness

Auteurs: Etam Benger and Katrina Ligett
Publié dans: Symposium on Foundations of Responsible Computing (FORC), 2025
Éditeur: LIPIcs
DOI: 10.4230/LIPICS.FORC.2025.19

Near-optimal private linear regression via iterative hessian mixing

Auteurs: Omri Lev, Moshe Shenfeld, Vishwak Srinivasan, Katrina Ligett, Ashia C Wilson
Publié dans: Proceedings of the 43rd International Conference on Machine Learning (ICML 2026), 2026
Éditeur: PMLR
DOI: 10.48550/ARXIV.2601.07545

How Well Can Differential Privacy Be Audited in One Run?

Auteurs: Amit Keinan, Moshe Shenfeld, Katrina Ligett
Publié dans: Advances in Neural Information Processing Systems 38, 2025
Éditeur: Neural Information Processing Systems Foundation, Inc. (NeurIPS)
DOI: 10.52202/085713-1632

Efficient privacy loss accounting for subsampling and random allocation

Auteurs: Vitaly Feldman, Moshe Shenfeld
Publié dans: Proceedings of the 43rd International Conference on Machine Learning (ICML 2026), 2026
Éditeur: PMLR
DOI: 10.48550/ARXIV.2602.17284

Peer reviewed articles (2)

Comment - The Collective Aspect of Job Seekers’ Data Rights

Auteurs: Katrina Ligett, Ayelet Gordon-Tapiero
Publié dans: Comparative Labor Law & Policy Journal, Numéro 45, 2025, ISSN 2819-2567
Éditeur: Osgoode Hall Law School, York University
DOI: 10.60082/2819-2567.1072

A Liability Framework for AI Companions

Auteurs: Ayelet Gordon-Tapiero
Publié dans: George Washington Journal of Law & Technology, 2026, ISSN 1556-5068
Éditeur: The George Washington University Law School
DOI: 10.2139/SSRN.5172386