本论文考虑如何设计一种激励机制，以在固有的逆向选择环境下，利用纯粹的协作或对抗以及报告代价获得真实从众意见汇报。

Jan, 2014

研究内容为解决缺乏客观基本事实的情况下从多个代理人中收集信息的问题，介绍了一种有效的多任务机制和相关协议机制，并在不同信号分布条件下证明了其在保持强真实性方面的可行性。

Mar, 2016

本文提出了一种新的去偏方法 —— 公平感知率最大化（FaRM），该方法能通过使用率失真函数使属于同一个受保护属性类的实例的表示不相关，从而去除受保护的信息，其能够在有或没有目标任务的情况下去偏表示。经实验评估表明，FaRM 在多个数据集上实现了最新的性能，并且学习到的表示对非线性探测网络的攻击泄漏了极少量的受保护属性信息。

Jan, 2022

在社交选择公正问题的多代理体系结构下，研究探索了多方面公正应用中的多种选择机制，发现不同类别的选择和分配机制在公正 / 准确性权衡方面产生了不同但一致的结果，并展示多代理体系结构在适应用户人口动态方面具有灵活性。

Sep, 2023

在多智能体系统中，代理需要在环境中与其他代理进行交互和协作。使用基于事实的代理建模（FAM）方法，该论文提出了一种方法，通过基于局部信息的事实基准推理网络（FBI）对部分可观察环境中的其他代理进行建模，以实现对未知情景下的代理建模和多智能体强化学习任务中的自适应合作策略。实验结果表明，相比基线方法，FAM 可以有效提高代理策略学习的效率，并在复杂的竞争 - 合作混合情景中获得更高的回报。

Oct, 2023

设计了一个基于拍卖的激励机制，采用贡献和信誉度来评价工人，通过反向拍卖选择工人并根据表现付费，满足了诚实工人的个人理性、预算可行性、真实性和计算效率。

Jan, 2022

以解决标准联邦学习中的共享问题为目标，提出了 FACT 机制，该机制通过使用惩罚系统来消除联邦问题，并通过创建竞争环境确保代理提供真实信息，同时通过提供比单独训练更好的性能来鼓励代理参与，实证结果显示 FACT 在代理不真实情景下避免了共享问题，并将代理损失减少了 4 倍以上。

May, 2024

通过学习，设计公平分配机制，以比例公平性为基准，解决了一次性分配机制的学习问题，同时提出了可行的方法来度量机制的可利用性，并通过数据控制公平性和可利用性之间的权衡，提出了两种近似比例公平机制，分别是 ExPF-Net 和 ExS-Net，通过大量的数值模拟验证了这些机制的有效性和鲁棒性。

Nov, 2023

提出了 RealFM 这个全球首款真实联邦机制，它通过实际模拟设备效用、激励数据贡献和设备参与以及可证明地消除搭便车现象，进一步推动了联邦学习在真实环境中的发展。在实际数据中，RealFM 提高了设备和服务器的效用、数据贡献，与基准机制相比，设备效用提高了 3 个数量级，服务器效用提高了 7 倍。

Oct, 2023

本文提出了一种新的稳健公平联邦学习（Robust and Fair Federated Learning，RFFL）框架，通过声誉机制实现协作公平和对抗鲁棒性，可在基准数据集上实现高公正性并对不同类型的对手非常鲁棒。

Nov, 2020