本研究致力于解决在电子商务中，为了使商品推荐更具多样性和公正性，提出的带约束排序优化问题，通过提出的快速精确和近似算法，得出结论：即使当约束条件很大时，我们的算法仍然可以在线性时间内运行，并且产生具有小约束违规的解决方案。

Apr, 2017

本文介绍了一个最小化最大损失的策略，用于处理团体公平性，并提供了能够支持回归、分类设置以及整体错误和误报率的相关算法。该算法还支持公平性约束的松弛，进一步研究了整体准确性与最小化最大公平性之间的权衡，并对多种数据集进行了实验分析，证明了最小化最大公平性严格和强烈优于平等结果概念。

Nov, 2020

本研究提出了一种有效的算法，在保持个体公平的情况下，从一组项目中随机抽样出排名，以确保输出排名满足群体公平性限制，同时保证输出排名的期望效用至少是最优公平解的效用的 α 倍，进而实现在线平台的算法公平。

Jun, 2023

提出了一种公正和无偏的排序方法 Maximal Marginal Fairness (MMF)，它包含了为关联度和公平性提供无偏估计的算法以及一个明确的控制器，以在前 k 个结果中最大化边际关联度和公平性，理论和实证分析表明，在长列表公平性方面做出了一些小妥协，我们的方法在前 k 个排名中的相关性和公平性方面，都优于现有的、最先进的算法。

Feb, 2021

针对将物品分配至平台的匹配过程中的团体和个体公平约束，我们提出了一种概率个体公平的算法，通过计算一组公平匹配的分布，使每个物品有合理的匹配概率。该方法在确保团体公平的同时，可以提高个体公平度。

Aug, 2022

通过开发近似算法解决具有组内公平性约束的单调子模函数最大化问题。

Apr, 2023

使用简单的主动采样和加权策略来优化任何分类或回归模型的最小 - 最大公平性，重点在于使用最不利的数据点来更新模型， 适用于凸学习问题，即线性或逻辑回归，并证明收敛速度。

Jun, 2020

介绍了一种基于经验风险最小化的算法，通过将公平性约束条件融入到学习问题中，实现敏感变量不会不公平地影响分类器的结果，得出了公平性和风险的界限，对核方法进行了特定说明，发现公平性要求意味着正交性约束，此约束可轻松添加到这些方法中，特别是对于线性模型，约束转化为一个简单的数据预处理步骤，实验证明该算法具有实用性，表现优于最先进的方法。

Feb, 2018

在机器学习中，基于 matroid 约束的子模最大化是一个具有各种应用的基本问题。最近，已经在有限制条件下的流式和离线设置下考虑了基于基数约束的子模最大化中的公平性，但对于更一般的 matroid 约束问题，只有在流式设置下且只考虑单调目标。本文通过提出各种算法和不可能性结果，在质量、公平性和广泛性之间提供了不同的权衡。

Dec, 2023

本研究将群体公平性形式化为一个多目标优化问题，并提出一种公平性标准和优化算法，在深度神经网络上进行测试并展示如何减少最坏情况下的分类错误。

Nov, 2020