使用实际因果关系来定义数据库中查询答案和机器学习中分类模型的解释性分数，其中包括与数据库修复的有用联系和利用，以及对分类模型中责任分数的扩展和分析。

Jul, 2023

在当前人工智能时代，本研究讨论了负责任的机器学习数据集的重要性，并提出了一个评估数据集的负责任框架。通过公平性、隐私保护和合规性等方面的考虑，我们分析了超过 100 个数据集，发现没有一个数据集能免于公平性、隐私保护和合规性问题。我们对数据集的文档化提供了改进建议，并认为在全球范围内的数据保护法规定下，科学界的数据集创建方法需要修订。

Oct, 2023

通过严格的数据集开发透明度框架，从软件开发生命周期中提取最佳实践，以决策和问责支持来关闭人工智能系统中的问责差距。

Oct, 2020

通过重温 Nissenbaum 文章中关于计算机化对责任追究带来的挑战，结合最新的关于关系型责任追究框架的研究，探讨了数据驱动算法系统所面临的困难，并讨论了削弱这些困难的方法。

Feb, 2022

本研究提出一种考虑数据公正价值的方法，通过估算数据 Shapley 值来解决在监督学习中评估数据价值的困难，并且发现该方法优于其他流行的评估方法，可以有效提高预测器的性能。

Apr, 2019

通过对去中心化机器学习生态系统的兴起的研究，我们研究了数据采集的委派。以契约理论为出发点，我们设计了能够处理两个基本机器学习挑战的最优和近似最优契约：模型质量评估的不确定性和关于任何模型最优性能的缺乏知识。我们展示了可以通过简单的线性契约解决不确定性问题，即使主体只有一个小的测试集合，也能达到第一优的收益的 1-1/e 的分数。此外，我们给出了主体测试集合大小的足够条件，以获得对最优效用的逼近。为了解决对最优性能缺乏先验知识的问题，我们提出了一个能够自适应高效计算最优契约的凸规划方法。

Sep, 2023

我们研究机器学习算法对信用归因的问题，提出了新的定义 —— 对差分隐私进行放松，以使得某些数据点的稳定性保证降低，这些数据点可以在得到数据所有者的许可下非稳定地使用，可能会有对其进行补偿，同时其他数据点对算法的输出没有显著影响。我们在 PAC 学习框架内研究了这些稳定性概念的表达能力，并对遵循这些原则的算法的可学习性进行了综合刻画，并提出了未来研究的方向和问题。

Jun, 2024

信用分配问题是强化学习中一个长期存在的挑战，通过对深度强化学习中的时间性信用分配进行研究，提出了一种统一的信用形式，并分析了现有方法在处理延迟效应、位置换位和行动影响不足方面的挑战，还介绍了评估信用分配方法的协议，并建议诊断不同信用分配方法困难来源的方法。该综述为新进入者和研究人员提供了领域概述，为学者在信用分配问题上开展新研究提供了连贯的视角，并提出了未来研究的潜在方向。

Dec, 2023

为确保机器学习模型的伦理使用，该论文提出了一种基于模型不可知的可加特征归因算法（KernelSHAP）和数据协作方法的可解释数据协作框架，以应对难以解释的黑盒子模型。

Dec, 2022

本研究探讨合作机器学习市场的问题，讨论机器学习市场的公平收入分配和潜在威胁，包括数据复制。我们引入了一个新的付款分割功能和定制输出模型，以在具有不同学习任务的方的情况下刺激方提交高质量的训练和验证数据，并在实验中验证了我们理论分析的假设和这些假设的适用性。

Nov, 2019