本论文探讨了自动决策算法引起的偏见问题，提出了一种通过合理使用个人数据来平衡公平和有效性之间矛盾的 Pareto 调度机制，以及带来的社会福利和个人利益之间的差异。

Apr, 2022

通过引入一个名为 LoTFair 的在线算法，本研究提出了一个框架，用于在具有时间变化公平性约束的动态决策系统中确保长期公平性。研究证明，LoTFair 可以在保持长期性能的同时，使整体公平性违规变得微不足道。

Jan, 2024

本文解决了现代肾脏交换中公平代价的理论问题，并提出了一种平衡严格词典型偏好顺序和效率最大化的综合公平规则。该规则具有一个参数，可以通过制定政策进行调整。实验结果表明，与其他公平规则相比，该规则更能产生可靠的结果。

Feb, 2017

该论文研究了在线背包问题中的公平性及其影响，并针对不公平性问题提出了一种基于时间公平性的参数化确定性算法和一种公平、稳健及一致性的学习增强算法。

May, 2023

本文研究了资源分配中公平性和利用率之间的平衡问题，并探讨了在需求分布不均时的公平性要求，得到了一些不同概率分布下的可证明的最大可使用率上界，发现了某些类型的概率分布下最大可使用率不受公平性约束，并且在幂律分布中求解的间隔可以由与分布参数无关的常数因子进行约束。

Jun, 2019

使用基于抽象争议框架（AFs）的模型定义了三种类型的 AFs 来证明或反驳使用者或求解器提出的面向固定用户决策的可行、高效或满意日程安排，从而提高解决约束、效率和决策问题的互动性和可解释性。

Nov, 2018

我们的研究引入了 “资源约束公平性” 概念，并在这个框架下量化了公平性的成本，证明了可用资源水平对该成本具有显著影响，这是以往评估中被忽视的因素。

Jun, 2024

该研究提出了一种概念和计算框架，允许确定排名的公平性限制，并发展出高效的算法，以最大化用户效用且确保满足特定的公平概念。

Feb, 2018

介绍了一种框架，在该框架中，可以将成对的个体标识为需要（大约）相等的待遇。我们引入了一种算法，可以在满足预设的公平性约束条件下学习最准确的模型，并证明了其准确性和公平性的泛化界限。该算法还可以将传统的统计公平概念与 elicited constraints 相结合，从而通过前者 “纠正” 或修改后者。我们使用在 COMPAS 犯罪再犯率数据集上 elicited 的 human-subject 公平性约束条件的行为学研究报告了初步结果。

May, 2019

该论文通过优化社会福利功能（SWF）来评估各种公平性定义，探讨了广义社会公正观念是否对实现 AI 中的公平性有用，结果表明最优解可以在特定条件下证明人口平等或平等几率，但通常需要偏离这些平等类型。此外，预测率平衡的实用性有限，这些结果表明优化理论可以为如何在 AI 中实现群体公平性的讨论问题提供启示。

May, 2024