该研究利用一个数学框架描述了公平性评估中一些常用的指标，探讨了它们之间的关系，为算法开发者和用户提供指导。

Jan, 2020

通过调查公平机器学习文献并收集先前工作，本研究为机器学习研究者、从业者和学生绘制了探索、设计和测试面向算法公平性的管道导向方法的更全面资源集。

Sep, 2023

本文介绍了一支团队在大型技术公司的复杂生产系统中应用算法公平方法的挑战以及如何解决处理不同利益相关方之间的利益冲突的问题，同时还介绍了一种实用的方法来衡量机器学习系统和人类标记员在各种相关群体间进行权衡的情况。希望我们整合公平工具和方法到大规模复杂生产系统的经验对其他从业者有所助益，同时是研究人员更好地满足从业者需求的更深入的探索。

Mar, 2021

该论文探讨了当前机器学习产品中的伦理问题，认为在实现一定程度上的公平性方面取得进展，即使这些进展并不能完全实现 “完全” 的公平或完全符合我们个人对公平度量的信念，也是一个应该受到欢迎的改进。这篇论文进一步阐述了这一观点及其重要性。

Jun, 2018

本文阐述了机器学习中为何无法完全消除偏见，并提出一种端到端的方法论，将道德原则转化为机器学习开发实践，并支持团队逐步处理机器学习系统中的偏见，以及指南如何向用户解释这种不完美的权衡。

Mar, 2023

本文通过 35 个半结构化面谈和 267 个机器学习从业者的匿名调查，系统研究了商业产品团队开发公平的机器学习系统所面临的挑战和需求，发现了业界从业者面临的挑战及公平机器学习的研究文献中提出的解决方案之间的一些不协调之处，并提出了未来机器学习与人机交互研究的方向，以更好地满足产业从业者的需求。

Dec, 2018

本篇研究通过开发公开基准来对不同的公平性增强算法进行比较，并发现许多公平性措施之间具有强烈的相关性，但这些措施也对数据集构成的波动敏感，这表明公平干预可能比以前认为的更脆弱。

Feb, 2018

讨论如何使用因果贝叶斯网络和最优输运理论来处理机器学习公平性问题，尤其是在复杂的不公平场景下，提出了一种统一的框架来处理不同的情况和公平标准，并介绍了一种学习公平表示的方法和一种考虑敏感属性使用限制的技术。

Dec, 2020

这篇文章介绍了机器学习中的社会偏见和公平性问题，总结了预处理、处理和后处理等多种方法，包含二分类、回归、推荐系统、无监督学习和自然语言处理等多个方面，同时提供了多个开源库。最后，列举了公平性研究的四个难题。

Oct, 2020

公平机器学习的早期专注是确保由算法指导的决策是公平的，三个公平定义引起了人们的关注，即反分类，分类平衡和校准，但这三个公平定义都有重大的统计局限性。相比之下，我们认为更倾向于根据最准确的风险估计对类似风险的人进行相似的处理，而不是一定要满足公平的数学定义，并强调这种方法需要大量的努力来构建适当的风险估计。

Jul, 2018