该研究提出了一种基于社会福利理论的公平影响最大化算法框架，旨在解决传统算法中存在的对少数群体不公平的问题，并证明了该框架可以高效地解决优化问题。

Jun, 2020

本文提供了一种从机制设计到算法设计的计算高效的黑盒约简方法，并且在虚拟福利和收益两个问题上进行了探讨，发现在单调子模拟拍卖场景下，这两个问题都无法在多项式时间内进行近似解决。

May, 2013

旨在最大化社会福利，我们研究重复选择政策的问题，由私人效用和公共收入构成的加权和。通过实验证明，我们获得了与误差下界相匹配的上界，表明福利最大化比多臂赌博问题更困难，且我们的算法实现了最佳速率。

Oct, 2023

本研究针对自动决策系统公平性评估中常被忽略的风险和福利考虑提出了一种基于福利的公平性度量方法，其凸形式允许我们将其作为任何凸损失优化流程的约束条件进行集成，并通过实证分析揭示了与预测准确性、群体歧视和个体公平性之间的有趣权衡关系。该方法是第一个能够限制个体不平等性的计算机可行机制。

Jun, 2018

本研究探讨了如何在多个目标之间实现公平的多目标强化学习，其中一个代理必须学习一种同时在矢量价值回报的多个维度上获得高回报的策略。我们采用期望福利最大化方法，通过某些非线性公平福利函数对长期累积回报的矢量进行建模。我们提供了 Q-learning 的新颖自适应方法，以学习为非线性福利函数进行优化。我们的算法可以被证明收敛，并且实验表明与线性标量化、最佳线性标量化混合或固定行动选择技术相比，在 Nash 社会福利目标方面，我们的方法表现出更好的效果。

Nov, 2022

本文研究在存在战略个体行为的情况下的算法决策，其中使用机器学习模型作出对人类个体的决策，而后者可以战略性地调整自己的行为以改进其未来的数据。研究重点在于非线性设置，其中个体只能通过决策策略的本地信息来响应决策策略。同时考虑最大化决策者福利（模型预测准确性）、社会福利（战略行为导致的个体改进）和个体福利（机器学习对个体的低估程度）的目标。理论结果表明，仅仅最大化某些参与方的福利必然会减少其他方的福利，因此我们认为在非线性设置中平衡各方福利是必要的，并提出了一种适用于一般战略学习的不可缩减优化算法。通过对合成数据和真实数据的实验证实了所提算法。

May, 2024

在资源有限的情况下，为了准确预测贷款人还款能力，银行需要确定筛选标准，本文介绍了一种用线性规划解决这一问题的算法，提高了资源利用率及信息获取并增加预测准确性的价值。

Nov, 2019

本文介绍了分类和公平制度的基于福利的分析，证明了更严格的公平标准通常不符合社会选择理论和福利经济学中的 Pareto 原理，并表明这些约束往往不能保证公正。

May, 2019

本文提供了一个从收入最大化到福利最大化的规约，以在具有任意（可能是组合）可行性约束和具有任意（可能是组合）需求约束的多维贝叶斯拍卖中，恰当地将 Myerson 的结果扩展到此设置。我们还展示了每个可行的贝叶斯拍卖都可以实现为虚拟 VCG 分配规则的分布。利用这种表征，我们展示了如何找到并运行仅具有黑箱访问虚拟 VCG 分配规则实现的收入最优拍卖。

Jul, 2012

连同统计可减少方差的估计和鲁棒估计在内，研究了在可能违反正性的情况下的最优治疗规则的因果识别和估计，以及如公平性等约束通过约束优化处理，并提出了用于获得方差敏感性遗憾界的多参数政策类的两阶段算法。

Sep, 2023