变分公平聚类
本文提出了一种新的变分方法来学习私有和 / 或公平的表示，该方法基于一个新的隐私和公平优化问题的拉格朗日形式，并展示了保持所需信息水平的数据表示，并在最小化保留信息的同时控制效用与隐私或公平平衡的相似之处和可行性。该方法可舒适地纳入常见的表示学习算法，如 VAE、β-VAE、VIB 或非线性 IB 等。
Jun, 2020
本研究基于深度聚类方法，提出了一种结合公平性目标的自适应学习算法，以解决群体层面的公平性问题，其实现步骤包括将整数线性规划嵌入到判别式深度聚类主干中，多状态受保护状态变量（PSVs）的分类等。实验数据表明，本算法优于现有公平聚类算法，并且适用于具有灵活公平性约束的任务。
May, 2021
本研究研究了一种受 Chierichetti 等人提出的公平原则约束的、用于对图形数据进行分区的谱聚类方法。我们开发了归一化和非归一化受约束谱聚类的变体，并证明它们可以在合成和真实数据上找到更公平的聚类结构。在一种自然环境变体的随机块模型上，我们对算法进行了严格的理论分析，并证明我们的算法可以以高概率恢复这种公平聚类。
Jan, 2019
运用线性规划和局部搜索算法解决在数据聚类问题中，$\ell_p$-range 目标下的个体公平问题。通过修改 LP 理论和结合局部搜索算法实践，实现更优算法，并在实验中展现了出众的表现。
Jun, 2021
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
我们提出了一种在组公平性约束下进行谱聚类的方法，通过从噪声数据中学习图构造方法和将传统的公平谱聚类的各个阶段整合到一个端到端的框架中，处理原始数据并输出离散的聚类标签。实验证明我们的模型优于现有的公平聚类方法。
Nov, 2023
本文研究了 PCA 背景下的公平性问题，并提出了 “公平降维” 的定义，即保护类别的信息不能从降维后的数据点推断出来。作者发展了凸优化公式来提高 PCA 和核 PCA 的公平性，并在几个数据集上展示了其有效性。最后，演示了如何使用该方法对健康数据进行公平（针对年龄）聚类，该数据可以用于设定健康保险费率。
Feb, 2018
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