本研究提出了一种智能 web 技术，旨在实现在线广告的透明化，帮助用户进行明智的决策和保护隐私，并证明了该方法的可行性和适用性。

Feb, 2016

本文提出一种有限制的广告拍卖框架，以确保广告展示给适当数量的敏感人群，解决广告平台可能存在的性别或种族歧视并最大化平台收益的问题。基于 Myerson 的经典工作，我们提出了一个优化的拍卖机制，并使用梯度下降算法解决了非凸问题，通过 A1 Yahoo 数据集实证证明该算法可以在在少量的收益损失和人群规模更改下，使每位广告主获得统一的覆盖率。

Jan, 2019

通过收集健身数据集，进行相关的实证研究，并基于研究结果实现了建议系统，从而帮助用户更好地理解他们的隐私设置，从而更好地保护个人身份信息和表达个人伦理偏好，并实现了较高的准确性。

Apr, 2022

本文提出了一种黑盒审核算法检测招聘广告投放中的歧视现象的新方法，通过对两个公司的类似工作广告的同时投放来控制工作资质的差异，验证了 Facebook 招聘广告投放的性别偏差，证明了该现象不能通过资质差异来解释，而 LinkedIn 广告投放则未出现此类现象。

Apr, 2021

本文概述了隐私决策自动化所面临的主要挑战，并提供了一种分类方案，包括现有工作以及解决隐私决策自动化的倡议和提案。

May, 2023

通过监督学习，我们设计了一种智能的在线隐私保护方法，以检测和阻止可能侵犯用户隐私的数据收集，从而为用户恢复了一定的数字化隐私，我们的评估结果展示了我们的方法的可行性和潜力。

Apr, 2023

本文通过分析社交网站（如 Facebook）上可被利用用以预测个人特征的信息，提出了一种能够提供对某些统计模型中对用户的推断的透明度以及控制来隐瞒个人信息以控制信息泄露的方法，并利用该方法检查用户是否能够真正实现这一隐私保护的目标。在应用于大量真实用户 Facebook 数据的过程中，我们发现仅需隐藏用户 “Facebook Likes” 数据的一小部分即可抑制有关其个人特征的推断，然而，我们也发现企业可以通过改变用户模型来增加隐瞒的难度。

Jun, 2016

通过对定位于儿童的网站进行追踪和广告测量研究，揭示了在缺乏隐私规定并存在潜在危险广告的情况下，追踪和广告安全做法不达标的趋势，建议监管机构和利益相关者采取更严格的措施以保护儿童并创造更安全的在线环境。

Aug, 2023

研究提出了一种两阶段实验设计方案，通过只需两个品牌在实验中仅需要协商高级别的集合参数来测试备选方案，从而解决了第三方 cookie 即将消失的问题，该设计同时还保护了客户的隐私。实验结果表明：研究的新方法可以提供具有低方差的 ATE 的有效估计，并且不受品牌重叠比例的影响。

Nov, 2022

本研究通过人体实验来评估不同的信息类型和信息量对自动贷款批准领域的 ADS（Automated Decision System）的信息公正性和值得信赖度的影响，发现信息量和人的人工智能素养显著影响信息公正性，从而影响 ADS 的可信度。同时，对资料的详尽性、一致性、披露单调关系以及建议的可操作性等方面提出明确的要求。

May, 2022