本文提出清晰的偏见定义，并探讨了偏见和不平等等概念与人工智能公平性准则的关系，并用两个案例研究说明了这些定义，旨在促进对研究偏见和不平等问题的政策意义的更好理解。

Jul, 2022

该研究探讨了机器学习中公平性的定义和测量方法，提出了基于因果推理的非歧视标准，并开发了相应的算法。

Jun, 2017

本文介绍一种基于倾向得分分析的原因型歧视方法，并利用回归树学习新的歧视 / 偏袒模式，验证在两个现实世界的数据集上，它可以加强机器学习透明度并探测训练数据和学习算法中的歧视性偏差。

Aug, 2016

本文通过利用因果网络捕捉数据的因果结构，将直接和间接歧视建模为路径特异性效应，并提出了一种有效的算法，用于发现和消除直接和间接歧视，以及保留数据效用。实验结果表明，该方法有效性较高。

Nov, 2016

本文介绍了一种基于因果推断的数据挖掘方法 ——Suppes-Bayes 因果网络，并通过针对反歧视法律相关概念的应用实验，验证了该方法在歧视发现方面的可行性。

Oct, 2015

准确测量在基于机器学习的自动决策系统中的歧视是解决子群体和 / 或个体间公平性的重要问题所必需的。本文关注于在生成和 / 或收集训练数据的方式中出现的一类偏见，我们称之为因果偏见，并使用因果关系领域的工具来正式定义和分析此类偏见。本文考虑了四种来源的偏见，即混杂、选择、测量和交互。本文的主要贡献是为每种偏见提供了一个基于模型参数的闭合表达式。这使得分析每种偏见的行为成为可能，特别是在哪些情况下它们不存在，以及在哪些其他情况下它们被最大化。我们希望提供的特征有助于社会更好地理解机器学习应用中偏见的来源。

Oct, 2023

本文考虑了涉及结果变量的公平统计推断问题，并讨论了因一些协变量（敏感协变量）可能导致歧视造成的公平性问题。通过学习一个满足约束条件的最优化问题，可以得到公平的结果模型，但是也存在一些复杂性和近期因果和半参数推断的工作相关的问题需要解决。

May, 2017

本文通过探索 “原因模型” 的形式假设，阐述性别仅仅是一个性状的集合是虚假的，这对于如何使用模型检测歧视具有重要意义，并且构成一个不同类型的对待歧视的道德问题。

Jun, 2020

针对敏感应用如医疗保健或刑事司法等领域，本研究旨在解决在预测模型中公平性与准确性的平衡问题，并提出，应该在数据的背景下评估预测结果的公平性，并通过数据收集来解决样本大小或未测量的预测变量所带来的不公平性，同时通过将成本基准的歧视度量分解为偏差，方差和噪音，并提出旨在估计和减少每个术语的行动。最后，本文以收入，死亡率和审查等领域的预测为案例研究，确认这种分析方法的价值，并发现数据收集通常是减少歧视而不牺牲准确性的手段。

May, 2018

在大数据时代，处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上，缺乏对数据连续性、领域适配性以及海量数据的易用性等问题的持续性研究，而这些问题非常普遍。本论文定义了持续性治疗效果的评估问题，并提出了问题的研究难点和可能的解决方案。最后，我们还讨论了未来该领域的研究方向。

Jan, 2023