本文提出了一种通过 Doubly Robust 估计器扩展并调整之前的后处理方法来预测反事实情形下的公平解释器的方法，并提供了任意定制后处理解释器的风险和公平性的 Doubly Robust 估计器。其结果可以更好地应用于 Risk Assessment Instruments 这样的领域。

Sep, 2020

本论文提出了一种风险评估模型的敏感性分析框架，用于评估不同群体的标签误差对模型的预测偏差性能的影响，在两个真实的刑事司法数据集上的实验结果表明，即使观察标签中存在小的偏差也可能会对基于噪音结果的分析的结论提出质疑。

Mar, 2020

本文提出了针对算法风险评估工具的反事实度量方法，并使用双重稳健估计方法估算反事实度量。作者提出的度量方法更适合在决策上下文中使用；因此，纵观标准公平度量和反事实度量，两者仅在特定条件下才能同时成立，本文提供了理论结果和实证结果以证明他们的方法优于标准做法。

Aug, 2019

本研究讨论了关于算法分类的公正性的最近公众领域的讨论， 探讨了三种公平条件并证明除非在高度约束的特殊情况下，没有一种方法可以同时满足这三个条件，这些结果表明公正性的关键概念彼此不兼容，需要权衡其之间的关系。

Sep, 2016

通过使用 Rawls 公正作为选择公平措施及取得平衡的基础，我们可以为 AI 系统中的公平 / 准确度取得权衡提供一个有原则的选择，从而集中关注最脆弱的群体和最有影响该群体的公平措施。

Jul, 2023

该研究调查用户对算法决策公平性的看法，并提出了一个框架来了解人们如何认识和判断决策算法的公平性。他们通过与 576 人的一系列情境调查，验证了这一框架，并发现人们关注的不公平问题是多方面的。在高层次上，该研究显示人们的不公平关注是多维度的，未来的研究需解决超出歧视范围的不公平关注问题；在低层次上，研究表明人们在公平判断上存在着相当的分歧，但同时也提出了解决这些分歧的可能途径。

Feb, 2018

使用约束优化提高算法公平性，最优算法需要将被告拘留，同时满足形式上减少种族歧视的公平约束，但是最优无约束算法需要将所有被告适用相同阈值，最大限度确保公共安全和平等。在 Broward County, Florida 的数据中可以发现，提高算法公平性和满足公共安全之间存在着权衡和牺牲。

Jan, 2017

针对风险评估的核心伦理辩论不仅仅是偏差或准确性的问题，而是目的的问题。机器学习不应用于预测，而是用于发现进入因果模型的协变量，以了解犯罪的社会，结构和心理驱动因素。我们提出了一种机器学习和因果推断的替代应用，从预测风险分数转向风险缓解。

Dec, 2017

本文研究学习分类器的公平性约束问题并提出了三种解决方案，分别是将两个现有的公平性度量关联到成本敏感风险，显示了对于成本敏感分类和公平性度量的最优分类器是类概率函数的实例相关阈值，并展示了准确性和公平性之间的权衡是通过目标和敏感特征的类概率之间的一致性来确定的。支撑我们分析的是一个通用框架，将具有公平要求的学习问题建模为两种统计风险差异的最小化问题。

May, 2017

利用风险评估工具数据集（RAI），特别是 ProPublica 的 COMPAS 数据集来比较算法性能是常见的，然而我们发现这些数据集可能会存在大量的测量偏差和错误，而且算法公平性应用于 RAI 数据集在对现实世界结果提出要求时具有局限性。此外，如何进行算法公平性实践是受到了对公平，正义和平等价值观的透明参与的影响，而且这些因素引出了一个问题，即这些在本质上是社会技术系统的基准是否可以以有益和合乎道德的方式存在。

Jun, 2021