本论文综述了社交选择中一个经典且具有挑战性的问题 -- 不可分割物品的公平分配 -- 的最新进展，并探讨了计算视角如何提供公平高效分配的洞见和理解，其中包括运用知识表示、计算复杂度、近似方法、博弈论、在线分析和通信复杂性的工具。
May, 2020
本研究探讨了一种公平分配的在线模型，旨在捕捉现实世界慈善问题的特征。我们考虑两种机制来分配物品并分析了机制的多个公理特征，如策略无关性和无嫉妒性。最后，我们进行了竞争分析并计算了一个非协作的价格。
Feb, 2015
本文提出了一种在线蛋糕切分问题的解决方法，探讨了公平分配方案，包括在线比例公平性和不嫉妒性等公平性质，研究了代理之间勾结的影响，通过理论和经验考察竞争比率评估了各种在线蛋糕切分方法，结果表明在线 “切 - 选” 法能够更好地抵御代理的勾结并且效果更优秀。
Jun, 2011
通过探索 - 执行算法设计实现在线公平分配研究，解决基于多臂赌博携带公平约束的未知价值非可分配商品的社会福利最大化问题.
Jul, 2024
通过使用双平均法，本研究解决了在不确定条件下学习在线公平分配的问题，其中中央规划者在不准确地了解代理方值或效用的情况下顺序分配物品。本研究提出了利用双平均法的包装算法，通过信息反馈逐步学习到到达物品的类型分布和代理方的值，从而实现了在线算法在具有加性效用的线性 Fisher 市场中渐进地达到最优的 Nash 社会福利。我们在 Nash 社会福利方面建立了遗憾界限，并通过合成和实证数据集实证验证了我们提出的算法的优越性能。
Nov, 2023
该论文研究了在线背包问题中的公平性及其影响，并针对不公平性问题提出了一种基于时间公平性的参数化确定性算法和一种公平、稳健及一致性的学习增强算法。
May, 2023
本文通过随机分配机制在具有多个参与方的背景下研究了公平分配资源的问题，结果表明当所有组包含相同数量的玩家时，最大化幸福感的分配可能是无嫉妒的，而通过随机分配的机制可以满足近似无嫉妒的要求。
Jun, 2017
提出了一种新的在线元学习算法 FFML, 该算法能够在保证分类准确性的同时，学习与公平相连的模型参数。通过在三个真实世界数据集上进行实验，得到了具有显著优越性能的结果。
Aug, 2021
该研究提出了一种在线双向配对平台的算法，可同时为双方市场提供公平的处理保证，考虑了原则主义公平的组和个人标准，并在操作者利润计算的最坏情况下降低其利润，具有理论保证和可调参数来平衡三方的效用，并发现可以给出任何算法性能的明确上界。
Jan, 2022
通过引入一个名为 LoTFair 的在线算法，本研究提出了一个框架，用于在具有时间变化公平性约束的动态决策系统中确保长期公平性。研究证明，LoTFair 可以在保持长期性能的同时，使整体公平性违规变得微不足道。
Jan, 2024