本文提出了隐私敌对框架以消除推荐系统中计算的用户向量可能泄漏的私人信息，并研究了隐私和推荐性能之间的权衡，同时保证了结果的公平性。

Jul, 2018

本文提出了一种名为 “RAP” 模型，使得在推荐系统中保护用户隐私属性的同时，能够为其推荐相关物品，通过对对抗学习问题的建模，对私有属性推断攻击进行反制，同时基于贝叶斯个性化推荐算法调节推荐过程，并在实验证明保持了推荐质量并保护了用户免受私有属性推断攻击。

Nov, 2019

提出了通过限制种群信息的编码来缓解变分自编码器为基础的推荐系统中的歧视问题的新方法，并对这些方法进行了评估，可以为未在训练数据中表示的用户提供公平的推荐。

Aug, 2023

本篇论文通过实验证明，作者的人口统计信息可以从神经分类器中间表示中被检测出来；在尝试用对抗性训练去除这些信息时，该方法效果不佳，需要注意敏感特征的不变表示不应仅依赖于对抗性训练。

Aug, 2018

为了保护用户的敏感属性，我们设计了一个由可分辨性损失和正则化损失组成的两部分损失函数，以提高推荐系统在训练结束后的属性遗忘问题中的性能。实验证明了我们方法的有效性。

Oct, 2023

该研究旨在提升公平和有保证的人工智能发展中，确保神经网络不依赖受保护属性（例如种族、性别、年龄）进行预测。通过分析现有属性偏差去除方法的局限性，研究发现其在面对强偏差时存在局限，并提出了一种能够缓解这种局限的新方法，该方法在输入空间中使用对抗目标，直接过滤掉受保护属性同时最大程度地保留其他属性，无需特定目标标签，并在强偏差和中等偏差设置下实现了最先进的性能。通过对合成、图像和人口普查数据集的广泛实验证明了理论界限的有效性，并评估了所提方法在消除强属性偏差方面的有效性。

Nov, 2023

本文介绍了一个最小二乘对抗框架，其中一个发生器生成学习个体的潜在表示，一个评论家保证了不同保护组的分布相似，从而在保留足够信息的同时解决了受保护属性引起的潜在偏差问题，为公平分类提供了理论保证。经验结果表明，这种方法可以有效地用于分类任务，特别是在删除受保护属性不足以实现公平分类的情况下。

Apr, 2019

通过对成员推断的镜头研究，我们探讨了推荐系统面临的隐私威胁。针对状态观测问题，我们提出了一种基于 VAE 编码器和重量估计器的去偏置学习方法来抵御攻击，实验验证了这个方法可以同时有效减轻训练和估计偏差，并可以取得先进的攻击性能。

Jun, 2022

本文提出了通过引入变量以及同时训练预测器和对手的方式来缓解训练数据中存在的偏见问题，在不同定义的公平性与多种基于梯度的学习模型，包括回归和分类任务中均具有广泛适用性的公平性缓解方法。

Jan, 2018

本文研究通过对抗训练神经网络来消除敏感属性信息从而实现分类器 “公平” 的方法。发现只需要少量数据即可训练出具有公平性的分类器，并且数据分布影响对手的公平概念。

Jul, 2017