本文研究了同质化行为对于少数群体在社交网络中能见度的影响。通过分析性方程和真实世界社会网络的案例研究，本文提供了一种评估同质化或异质化行为下少数群体能见度的基础。
Feb, 2017
本文介绍了一个模型，通过多轮交互模拟用户和链接推荐器之间的反馈循环，研究了推荐算法的长期后果。实验结果表明，少数群体如果足够同质化，则可以从所有链接推荐器中获得不成比例的优势，同时推荐器会加剧富人越富的现象，这种现象独立于少数群体的同质化程度和大小，同时会加剧个体间的曝光不平等现象。
Dec, 2021
通过使用贝叶斯优化算法，解决了智慧出行倡议中机器学习算法所带来的社会不平等问题。
Nov, 2020
本文呈现了通过定量和模拟建模分析使用系统动力学了解人工智能种族偏见和对健康不平等影响的结果和见解，并强调将数据和医疗保健讨论集中于人们及其医疗和科学体验，以及认识算法操作的社会背景的重要性，社区创伤的集体记忆是寻求治疗和体验有效治疗的内生驱动因素，这些因素对不同种族群体的初值条件具有明显的不平等性。
May, 2023
本文倡导实现社会公正，提出 ERA-Link 算法，利用谱图理论反对不公，并通过四个评估指标的实验，证明 ERA-Link 能够在不仅仅是弱势群体的情况下改善社交网络结构，并促进整体社交资本的增加和创新机会的提升。
本文通过研究 NLP 模型中三个社会身份（种族、性别和宗教）之间的偏见相关性，提出在对偏见进行改善时需要综合考虑相关的偏见，而不是各自分开处理，以引导更多相关研究
May, 2022
数据分析和算法决策越来越影响我们生活的各个方面，因此有必要确保它们不成为歧视，不公平，社会正义和不公平源泉的工具。本文提出了一个明确的研究议程，旨在解决这些问题。重点包括：确定模型是否存在偏见，将公平意识纳入机器学习方法中，提高数据驱动和模型驱动决策的透明度和控制以及支持跨学科研究来解决这些问题
Jun, 2017
本文提倡将多样性作为核心优先事项，以实现算法公平所追求的不歧视和公正目标，并为计算机科学的从业人员提供具体的多样性措施建议，以增加多样性，并提高算法公平的实践水平。
Feb, 2020
本文研究了局部信息算法在社交网络上的优化问题的能力，重点探讨了顺序算法，其中网络拓扑初始状态未知，并且仅在已不可逆地添加到输出集合的顶点的本地邻域内显示。我们研究了各种问题，并解决了拓扑网络中的一个开放问题，同时还研究了在线网络招聘过程中的最小支配集的问题，并且发现网络提供商的决策会影响用户的战略互动。
Feb, 2012
研究的是网络中的同配混合，特别是在人际关系网络中，根据语言、种族和年龄等属性进行混合以及此过程中的生成函数方法和蒙特卡罗图形生成技术的应用。
Sep, 2002