本研究利用政治哲学中的平等机会原则明确了不同概念的算法公平中蕴含的规范判断，并提出了以人们整个人生公正机会为基础的实体平等机会学说，探讨了前瞻性与后瞻性公平竞赛之间的不兼容性及其与算法公平的关系。在此基础上，本文进一步提出了两种基于算法的实现程序：运气平等主义的平等机会学说和 Rawls 的公平机会原则。

Jul, 2022

提出了一种新的公平学习框架，该框架通过调查人们对于玄学公正性的评估来学习对于决策上下文的考虑，并使利益相关者参与到机器学习公平性的制定中。

Nov, 2019

该论文研究了机器学习决策算法在预测决策中的使用，强调了公平问题以及如何实现公正决策，提出了一个平等框架并给出了平等评分算法和指导决策者的问题。

Apr, 2022

介绍了一种框架，在该框架中，可以将成对的个体标识为需要（大约）相等的待遇。我们引入了一种算法，可以在满足预设的公平性约束条件下学习最准确的模型，并证明了其准确性和公平性的泛化界限。该算法还可以将传统的统计公平概念与 elicited constraints 相结合，从而通过前者 “纠正” 或修改后者。我们使用在 COMPAS 犯罪再犯率数据集上 elicited 的 human-subject 公平性约束条件的行为学研究报告了初步结果。

May, 2019

本文提出了两个算法，通过因果模型和反事实决策来实现公平的机器学习预测器，以实现提供平等机会和重修历史劣势。在包括招生、收入、信用和再犯等领域的数据集上进行评估与权衡，结果表明这些预测器在理论上达到了预测性能的最优，同时满足公平性。

May, 2019

本文提出了一种新的基于因果关系的公平判定方法：努力平等。与现有的公平概念不同的是，努力平等不仅关注于两个群体之间的决策差异，而且还帮助回答了当特定个体实现特定结果水平时应合理变化的合法性变量的程度，以及保护组和无保护组个体实现相同结果水平所做的努力是否不同等问题。研究团队开发了算法来确定在平等的努力方面是否存在歧视，并发展了一种基于优化的方法，用来消除数据中的歧视影响。而实验结果表明，与现有的公平概念相比，努力平等的算法更为有效。

Nov, 2019

本文主要论述机器学习中公平性问题，提出三种公平模型：无意识公平、人口统计学公平和反事实公平，并在认识情境演算中进行了形式化的定义。

Jun, 2023

本文旨在研究学术绩效预测系统中的公平性概念，发现基于学术绩效预测系统的 WYSIWYG 世界观和人群潜在的长期改善，平等赔率是最适合的公平概念。

Sep, 2022

本文探讨了机器学习模型的公平性，并引用了现有的道德和政治哲学的理论，旨在阐明关于公平机器学习的新兴辩论。

Dec, 2017

介绍算法公平性在教育中的应用，关注预测模型、偏见和歧视，给出了在教育技术中如何促进算法公正性的方针建议。

Jul, 2020