讨论如何使用因果贝叶斯网络和最优输运理论来处理机器学习公平性问题，尤其是在复杂的不公平场景下，提出了一种统一的框架来处理不同的情况和公平标准，并介绍了一种学习公平表示的方法和一种考虑敏感属性使用限制的技术。

Dec, 2020

这篇文章介绍了机器学习中的社会偏见和公平性问题，总结了预处理、处理和后处理等多种方法，包含二分类、回归、推荐系统、无监督学习和自然语言处理等多个方面，同时提供了多个开源库。最后，列举了公平性研究的四个难题。

Oct, 2020

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

研究如何通过包含公平性在目标函数中来解决机器学习中涉及敏感特征的不公平性问题。提出了基于新的公平分类框架的新型公平回归和降维方法，并通过使用 Hilbert Schmidt 独立性准则作为公平项，实现了线性和非线性问题的评估。

Oct, 2017

本文介绍了 fairml R 包，该包旨在通过经典统计模型和惩罚回归结果（岭回归）实现公平和可解释的机器学习模型，并提供模型估计，选择和验证功能，以及诊断图。

May, 2023

本文研究了使用公平性度量来指导模型的设计和训练的机制，提出了一种简单但可靠的方法，即在训练模型时同时实现公平，并通过详细的技术分析和实验验证了在计算机视觉训练任务中可靠地实现各种公平性度量。

Apr, 2020

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

论文提出了一种基于两阶段最小二乘法的公平机器学习算法，能够有效处理数据中敏感属性与非敏感属性相关的不公平问题， 其独特之处在于该算法针对回归模型的不公平问题也能做出有效处理，并且能够解决数字敏感属性的问题，经实验验证表现卓越。

Oct, 2017

通过不变原则，我们提出了一个具有公平性和域泛化特性的基于训练环境的 FAIRM 方法，并在弱分布假设下提供了具有有限样本理论保证的实证 FAIRM。我们开发了高效的算法来实现线性模型中的 FAIRM，并展示了最小化最优性的非渐近性能。我们通过合成数据和 MNIST 数据的数值实验来评估我们的方法，并证明其优于其他方法。

Apr, 2024

本文描述了一种基于正则化流模型的公平表示学习算法，它可以将不同群体的个体映射为单个群体，并在敏感属性方面实现更强的不变性。

Jan, 2022