我们提出了针对排名模型和回归模型的成对公平度量标准，这些标准类似于统计公平概念，如平等机会、平等准确性和统计平等，通过现有的约束优化和鲁棒优化技术可以有效地解决结果训练问题，实验表明这些方法具有广泛的适用性和权衡性。

Jun, 2019

本文探讨了如何在合理的假设下同时满足公正度量（独立性、分离性、充分性）并 / 或提高这些公正度量，引入了公正度量的信息理论形式，并根据这些形式定义了公正度，进一步探讨了这三个公正度的理论关系。在实验部分，使用信息理论表达式作为规范化器以获得三个标准数据集的公正度规范化预测器。实验结果表明，公正规范化直接增加公正度量，并间接增加其他公正度量，这表明在一定程度上可以同时满足某些公正度量。

Sep, 2021

本文提出了一种处理包含连续敏感属性的回归算法中避免敏感信息不公平影响的公平经验风险最小化方法，并将其泛化到标准有监督学习的整个情境中，该方法在进行知名的平等概念的实证风险最小化情境时可以减少公平度量；同时该文构建了一种可以针对内核方法进行共性公平估计的方法，并通过对公共数据集和来自五千名学生的新数据集的实验结果显示其实现了精度和公平要求之间的有效平衡。

Jan, 2019

本文研究了一类称为公平回归的问题，在保证对于某些受保护属性（如性别或种族）的公平性的情况下，预测一个实数目标（如风险评分或再犯率）。提出了通用的公平回归方案，包括统计平等和有界组损失两种公平性。与其他任务相比，该方案只需要使用标准的风险最小化算法（如标准分类或最小二乘回归），而提供得到的解的最优性和公平性的理论保证。除了分析方案的理论性质外，还在几个标准数据集上经验性地展示其揭示公正 - 准确性前沿的能力。

May, 2019

本研究提出一种基于个体和统计概念的新公平性定义族，设计了一种可以访问任何标准公平性无关的学习启发式算法的神谕有效算法，用于公平经验风险最小化任务，并且通过实验证明了其效果。

May, 2019

这篇论文介绍了一种新颖的信息论视角，探讨了机器学习中著名的群体公平性概念之间的关系，即统计平衡、平等几率和预测平衡。通过利用信息论中称为部分信息分解（PID）的工作，我们准确阐明了这三个 (不) 公平性度量之间的精确关系，并确定了它们重叠和相互矛盾的细节区域，从而引发了潜在的权衡。我们还包括了数值模拟来补充我们的结果。

Jun, 2024

通过归一化的方式，该研究提出了一种名为 FaiReg 的简单有效的方法，用于最小化回归问题中的不公平影响，特别是由于标签偏差引起的影响，与数据平衡和对抗训练相比表现更优，同时不会像对抗训练一样破坏原来问题的性能。

Feb, 2022

通过提供一致的估计器和推理方法，本文研究了决策过程中算法的公平性和准确性之间的权衡，还提出了是否排除算法训练中的某些协变量以及是否存在非歧视性替代算法等方面的假设。

Feb, 2024

本文提出了一种使用非参数方法、连续监控、基于概率策略和适应分布变化等特征的公平性审计方法，并在多个基准公平性数据集上验证其有效性。

May, 2023

研究了 Kearns 等人提出的富子群公平概念及其算法，经过对四个真实数据集的大量实证评估，证明其可行性和有效性。

Aug, 2018