本文研究了如何在保护隐私的前提下实现公平聚类，提出了公平小集（fairlets）的概念，并基于最小代价流设计出高效的近似算法，在实际数据集中验证了公平聚类的价值。

Feb, 2018

本文提出了针对多个保护类的公平聚类方法，并且提出了一种松散的公平概念，在这种概念下，可以对所有经典聚类目标进行双标准常数因子近似，这是通过将任意现有不公平的（整数）解和公平的（分数）线性规划解结合起来实现的。

Nov, 2018

我们提出了一种可扩展的算法来解决由 Jung et al. 和 Mahabadi et al. 引入的个体公平（$p$, $k$）- 聚类问题。我们设计了首个快速局部搜索算法，具有～$O (nk^2)$ 的运行时间，并获得了（O (1), 6）的二对象近似解，然后我们通过实验证明了我们的算法不仅比以前的工作快得多，而且产生了更低成本的解决方案。

Feb, 2024

本文提出了一种基于局部搜索的算法，用于实现 $k$-median 和 $k$-means（以及任何使用 $\ell_p$ 范数的 $k$- 聚类），并从个体公平性的角度来考虑。我们的算法提供了一个逼近可行的 $k$- 聚类，其 $k$-median ($k$-means) 的成本与最优的 $k$- 聚类成本相比呈常数比例，并且我们的解决方案大约满足公平条件 (也在常数因子之内)。此外，我们还通过实证评估来补充我们的理论界限。

Feb, 2020

本文研究如何在数据中找到低成本的公平聚类问题，针对数据点可能属于多个受保护群体的情况，通过允许用户指定定义公平表示的参数、在任何 Lp 范数目标上工作的聚类算法以及允许个体属于多个保护群体的算法，将任何普通聚类解转换为公平聚类解，实验表明，在实践中算法的表现比理论结果更好。

Jan, 2019

探讨了关于 $k-$center 目标函数的公平聚类问题，使用保护组的概念确保每个簇的公平性，提出了一种新的随机化 $3-$ 近似算法，对比之前的算法在效率和公平性方面获得了优化。

Oct, 2020

本研究探讨了在公平约束下的相关性聚类，通过引入新的组合优化问题，在多种公正性约束条件下，获得了公平相关聚类的近似算法。同时，通过对真实图形的算法进行深入分析，表明与现有的不公平算法相比，可以在有限的成本增加下获得相关聚类的公平解决方案。

Feb, 2020

研究公平间距聚类问题，提供 O (1) 的近似算法在最多 k+2l 个中心中选择最小化聚类成本的一组中心，并仅在每个人口统计上最多违反 2 个加法项的上限。

Jun, 2023

本论文在度量空间中探讨了公平机器学习领域中比例质心聚类问题，定义了公平性并提出了计算、优化和审计聚类方案的算法，分析了比例方案与 K-Means 指标之间的权衡关系。

May, 2019

此论文介绍了一种可行的算法，用于从簇成员与簇中心之间的距离范数角度出发解决公平聚类问题，并对相应指标（如 bicriteria）进行了优化；同时，提供了一种基于模类约束的距离范数成本设施位置 16^p - 近似算法，并将借鉴此算法，将个体公平聚类转化为更一般如群体公平聚类的解法。

Jun, 2021