使用贝叶斯框架对少量带有标签的数据进行无标签数据增强，以更准确低偏差的方式评估群组公平问题，鉴于标签样本，我们提议使用一种层次潜在变量模型，估计每组未标记样本的校准得分，并证明了我们的方法在多个公平数据集，敏感属性和预测模型中具有显著的一致的估计误差降低，表明了使用无标签数据和贝叶斯推理的好处来评估预测模型的公平性。

Oct, 2020

本文中，我们探讨了如何在正样本和未标注样本数据集的有选择偏差中进行有监督学习，并提出了一种基于经验风险的方法来加入标签机制和解决未知标签机制的情况，实验证明，即使在未知标签机制的情况下，考虑可能存在的选择偏差也会提高分类器的训练效果。

Sep, 2018

本研究提出一种旨在平衡公平性和实用性的机器学习分类任务的独特解决方案，它利用贝叶斯学习估计样本预测的不确定性，并通过不确定性量化来定义新型的公平性 - 效用目标，从而实现同时优化公平性和实用性。实证研究发现，具有低分类不确定性的样本比高不确定性的样本更准确、更公平。实验结果表明，该方法在公平性和实用性平衡方面表现优异，并有望在机器学习中实现最佳公平性和实用性。

Apr, 2023

本论文探讨选择性标签下算法辅助决策学习的问题，介绍为什么标准方法无法有效处理选择性标签的普遍选择偏误问题，提出了一种数据增强方法，既可以利用专家一致性减轻选择性标签导致的部分盲目性，也可以经验验证学习是否会导致易受系统性歧视的不可靠模型。

Jul, 2018

本文提出了一种数学公式来证明数据集中的偏见对分类器的影响，通过无需改变标签来重新计算数据点的值，从而得到一个无偏分类器，这种方法可以在各种机器学习算法中使用，并实现了公平分类的目标。

Jan, 2019

本文提出了一个多功能的混合整数优化框架，用于学习最优和公平的决策树和其变体，避免不公平对待和 / 或不公平影响。计算结果表明，这个框架提高了领域内的技术水平，能以更低的成本提高准确性，从而产生非歧视性的决策。

Mar, 2019

通过因果推断和约束优化方法学习公平政策，解决敏感情境下数据分析中存在的多个潜在偏见，避免自动决策程序和学习算法继续存在不公平现象。

Sep, 2018

通过选择性学习理论，我们提出了一种新的方法，在高噪声数据分布下学习和决策，并通过最小化这个损失函数来区分有用数据和无用数据进行预测。我们还描述了一个迭代算法，同时优化预测器和选择器，并在各种场景中评估了其实证表现。

Sep, 2023

本研究开发了一种因果关系框架，以阐明代理标签的有效性以及先前建模工作所假定的隐含假设并推荐验证这些假设是否符合实践的评估策略，进一步讨论了未来研究中更好地解决目标变量偏差的机会。

Feb, 2023

研究二分类问题中的公平问题，通过使用 “Equal Opportunity”，确保真正的阳性率在敏感组中分布均匀。通过重新校准贝叶斯分类器，获得公平最优分类器。提供了一组门槛的构造表达式，并基于无标签和有标签的数据集设计了一个插件分类过程，可以计算公平错误，同时在公平度量上保持统计一致性。

Jun, 2019