提出了一种公正和无偏的排序方法 Maximal Marginal Fairness (MMF)，它包含了为关联度和公平性提供无偏估计的算法以及一个明确的控制器，以在前 k 个结果中最大化边际关联度和公平性，理论和实证分析表明，在长列表公平性方面做出了一些小妥协，我们的方法在前 k 个排名中的相关性和公平性方面，都优于现有的、最先进的算法。

Feb, 2021

研究人员提出了一种重新排名的方法，通过学习多个公平维度的个人偏好，增强了建议结果的公平性。这种方法可以更好地平衡准确性和公平性。

May, 2020

本文提出了一种基于优化的重新排序方法，该方法在联合目标框架中无缝集成了来自消费者和生产者方面的公平性约束，并经过 8 个数据集的大规模实验证明，我们的方法能够提高消费者和生产者的公平性，同时不会降低总体的推荐质量。

Apr, 2022

本文提出了一种基于概率映射用户记录的方法，用于实现算法决策应用的个体公平性和真实应用环境下的分类器和排名等工具的效用性，并通过应用于现实世界数据集的分类和学习排序任务的实验表明了其比之前最佳方法有显著改善。

Jun, 2018

本篇研究提出了一种考虑到用户、排名质量和供应商公平性的新型推荐算法 FRA，在实验中，该算法在牺牲一定精度的情况下，有效提升了推荐系统的公平性，并考虑到了个体用户的偏好。

Sep, 2018

本文介绍了一个最小二乘对抗框架，其中一个发生器生成学习个体的潜在表示，一个评论家保证了不同保护组的分布相似，从而在保留足够信息的同时解决了受保护属性引起的潜在偏差问题，为公平分类提供了理论保证。经验结果表明，这种方法可以有效地用于分类任务，特别是在删除受保护属性不足以实现公平分类的情况下。

Apr, 2019

本文提出并探讨了用户公平性的概念，研究了两个多样化算法，发现仅追求多样性的推荐会导致用户间的不公平现象。

Jul, 2018

本研究提出了一套度量算法公平性关注的新型指标，基于随机实验的成对比较来衡量公平性，建立了新的规则化器，促进了模型训练和推荐系统的公平性。

Mar, 2019

本篇研究旨在提出一种新算法，用于学习公平的表征，以在分类环境下同时缓解不同人口统计特征子组之间的两种不平等概念。通过平衡误差率和条件对齐的表征等两个关键组件，它对确保跨组别的准确平等性和平衡假阳性和假阴性率发挥了作用。此外，我们还通过理论和两个实际实验证明，与现有的学习公平表征的算法相比，在平衡数据集上提出的算法可以在保持效用公平性的前提下得到更好的公平性。

Oct, 2019

本文提出不需要人工规范距离度量的个体公平性的实现方法。我们提出新的方法获取和利用关于同样值得的个人的附加信息来打破社会群体之间的剥夺，将这些知识建模为公平图，并学习数据的统一成对公平表示，捕捉个体间数据驱动的相似性和公平性图中成对附加信息。我们从各种来源获取公平判断，包括关于再犯率预测（COMPAS）和暴力社区预测（Crime＆Communities）的两个真实数据集的人类判断。实验显示，对于实现个体公平，PFR 模型是实际可行的。

Jul, 2019