本文探讨基于样本分布设计多项货品机制，利用分段线性结构证明了利润上限，并提出了优化复杂性和准确性之间的平衡的工具。

Apr, 2017

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

该研究论文讨论的问题是资源的公平高效分配，研究的主要领域是房屋市场，探讨了现有的算法，其中单边交易算法在保证 Pareto 效率、个体合理性和策略无关性方面表现良好，而双边交易算法通过短周期展示了高效的 Pareto 优化分配策略。

Jun, 2019

本文研究表明，相较于传统机构数据，利用基于应用程序的市场的替代数据对信用评分模型的影响。这些替代数据来源已经在传统银行和金融机构未能满足需求的人群中展现出巨大的预测借款人行为的能力。结果揭示，在两个国家得到了确认，这些新型数据来源特别适用于预测财务行为中低财富和年轻人，而这类人也是最有可能借助替代性贷款的人群。此外，通过使用Stochastic Gradient Boosting解释的TreeSHAP方法，我们的结果也显示，这些应用程序来源的变量存在着有趣的非线性趋势，这些趋势对于传统银行而言不是常见的信息。因此，这些研究结果展现了技术公司识别替代数据来源并妥善处理这些新信息的机会与挑战。同时，需要注意的是，替代数据必须经过认真的验证才能克服不同管辖区域的法规障碍。

May, 2020

本研究提出了一种模块化信用分配的形式化理论，通过对算法自身的因果分析，将社会决策制定框架作为马尔可夫决策过程的更精细正式框架，证明了一些单步时序差分行为价值方法满足这一约束条件，而所有政策梯度方法都不满足该约束条件，传输学习的实证研究表明这种行为价值方法在要求对先前最优决策序列进行稀疏更改的情况下，比政策梯度方法具有更高的样本效率。

Jun, 2021

该研究基于不完全信息和灵活公平标准，通过异构图探索社会多样性对终局博弈的影响，并发现了降低公平要求下利用某些个体影响力的机制来进一步降低支出的结果，为引导社会多元体系中的机构政策提供新的见解。

Nov, 2022

研究在具有双值次模估值的代理人之间公平分配不可分割物品的问题，并提出了一种基于Yankee Swap机制的简单顺序算法框架，可用于计算多种解决方案概念，包括leximin，max Nash welfare（MNW）和$p$-mean welfare最大化分配，当$a$除以$b$时；对于两个公认的特性-羡慕无阻和最大收益份额保证，我们进一步检查leximin和MNW分配。

Feb, 2023

通过利用卖家定价的去中心化特性并且依靠平台控制的产品信息，我们提出一种提高社会福利的方法来减少市场拥挤，通过用户过去选择所揭示的选择偏好以及用特定方式揭示的表示来解决技术挑战并获得了实验证明。

Jun, 2023

使用机器学习在信用建模中的新数据来源引发了涉及受保护特征（例如种族、性别、年龄）或其他社会经济与人口统计数据的不公平决策的担忧。本文通过微金融背景展示了此类算法偏见的影响，并综合干预性的视角研究了以性别、年龄、婚姻状况、单亲状态和子女数量为定义的不同群体之间的信用分配不公平问题。我们发现在多元社会中应用自动化决策系统时，交叉性别、年龄和家庭状况的身份会影响信用分配模式，而机器学习技术对社会公平与不公平视而不见。因此，更全面地考虑交叉身份可以增强算法公平性的视角，更真实地推动平等结果，并提供更公正的前进路径。同时，我们发现除了受法律保护的特征外，像单亲状态和子女数量这样的敏感属性也可能导致不平衡的伤害。本研究对金融服务行业的影响进行了讨论。

Aug, 2023

本研究探讨了一个序贯决策模型，重点解决最大化功利福利和均等福利之间的复杂性问题，尤其是均等福利在计算上是NP完全的。研究发现，尽管功利福利的机制是策略无关的，但所有确定性机制在计算均等福利时都存在可操控性。通过引入参数复杂性分析和近似算法，该研究为理解福利机制的设计提供了新颖的见解。

Aug, 2024