本文将算法公平性的概念与政治哲学中的机会平等等经济模型进行了概念映射，通过这种方式，许多现有的算法公平性定义可以解释为机会平等的特例，从而成为理解现有算法公平性概念的统一道德框架，并且我们基于机会平等模型提出了新的算法公平度量标准，我们的实证结果表明，当社会道德假设不满足时，使用算法公平度量会对弱势群体的福利产生严重后果。

Sep, 2018

此篇论文提出了两个关于算法追溯的公平性概念，与机会的实质平等以及时间相关，通过建立一个基于代理的模拟追溯框架，展示了在克服初始差异情况下所需的努力，并提出了一种提高追溯公平性的干预措施，并与现有策略进行了比较。

Jan, 2024

通过分析算法公平性的因果定义，本文发现无论是基于对抗偏见的决策影响还是基于法律保护分类的影响，这些定义几乎总是以极端帕累托支配的决策方案结束，这突显了因果公平性普遍数学概念的形式限制和潜在的不良后果。

Jul, 2022

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

本文主要论述机器学习中公平性问题，提出三种公平模型：无意识公平、人口统计学公平和反事实公平，并在认识情境演算中进行了形式化的定义。

Jun, 2023

机器学习和深度学习的最新进展使得算法公平成为一个关注焦点，引发对影响某些个体或群体的歧视性决策的担忧。本调研综述基于 “容忍度” 提出了一个新的分类系统，揭示了算法决策中公平的微妙性。通过分析多个行业，我们的系统性综述揭示了算法决策与社会公平之间的关键见解。通过综合这些见解，我们勾勒出一系列新兴挑战，并提出未来研究和政策制定的战略方向，以推动该领域朝着更加公平的算法系统发展。

Apr, 2024

本文提出了一种新的基于因果关系的公平判定方法：努力平等。与现有的公平概念不同的是，努力平等不仅关注于两个群体之间的决策差异，而且还帮助回答了当特定个体实现特定结果水平时应合理变化的合法性变量的程度，以及保护组和无保护组个体实现相同结果水平所做的努力是否不同等问题。研究团队开发了算法来确定在平等的努力方面是否存在歧视，并发展了一种基于优化的方法，用来消除数据中的歧视影响。而实验结果表明，与现有的公平概念相比，努力平等的算法更为有效。

Nov, 2019

提出了一种新的公平学习框架，该框架通过调查人们对于玄学公正性的评估来学习对于决策上下文的考虑，并使利益相关者参与到机器学习公平性的制定中。

Nov, 2019

本文提出了两个算法，通过因果模型和反事实决策来实现公平的机器学习预测器，以实现提供平等机会和重修历史劣势。在包括招生、收入、信用和再犯等领域的数据集上进行评估与权衡，结果表明这些预测器在理论上达到了预测性能的最优，同时满足公平性。

May, 2019

本文比较和讨论了算法公平性和道德决策制定两个主要领域的研究成果，探讨了其规范关切、不同技术方案的可行性，并阐述了两种领域对对方有用的思想。

Jan, 2023