本研究通过因果模型的视角考虑了决策系统是否基于性别、种族、宗教等方面会造成歧视的问题，引入了基于因果关系的群体公平的两个定义：FACE 和 FACT，提出了鲁宾 - 尼曼潜在结果框架来鲁棒地估算 FACE 和 FACT，并在合成数据上展示了方法的有效性。同时，作者还在真实数据集上进行了分析，发现 FACT 比 FACE 更微妙，在不同情形下可得出不同结论。

Mar, 2019

本文讨论在决策制定中创造公平算法的因果推理的重要性，回顾了现有的公正性方法，描述了因果方法理解所必需的工作，论证了在希望公平的任何方法中都需要因果性，并详细分析了许多近期因果公平的方式。

May, 2018

本文探讨了基于因果关系的公平性概念及其在实际场景中的适用性，并针对采用观察数据估计因果量的不同方法，包括可辨识性和潜在结果框架进行了综合报告，提供出一个指南来帮助选择适合特定实际场景的公平性概念，并根据 Pearl 的因果推理难度对公平性概念进行了排名。

Oct, 2020

通过因果推断的主分层概念，引入了一个新的公平概念 —— 基本公平，以人类和算法决策为例。其核心思想是不应该歧视那些对决定影响相似的个体。与现有的统计公平定义不同，基本公平明确考虑了个体可能受到决策影响的事实。

May, 2020

本文强调通过因果关系的发现步骤，适当地使用因果关系来解决公平性问题的重要性，并且通过使用合成和标准公平性基准数据集的实证分析来证实了即使微小的因果模型差异也可能对公平性 / 歧视的结论产生重大影响。

Jun, 2022

本文提出了一个因果公平性分析的框架，以理解、建模和可能解决决策设置中的公平问题。研究挑战是挖掘潜在的因果机制并将各种公平度量与结构机制和人口单位归因。最后，提出了一个公平的菜谱，以评估不公平对各个人群的影响。

Jul, 2022

机器学习系统可能基于性别、性别、宗教或种族等敏感特征表现出歧视行为，因此提出了各种公平性概念和量化歧视方法，并发展了构建公平预测器的众多方法。本研究首次从因果角度分析了公平性和准确性之间的紧张关系，提出了路径特定过量损失（PSEL）的概念来衡量当强制施加因果公平性约束时预测器的损失增加程度，并证明了总过量损失（TEL）可以分解为更多本地 PSEL 值的总和。同时，强制施加因果约束通常会减少人群之间的差距。因此，我们引入了一个数量，用于总结公平性和效用之间的权衡，称为因果公平 / 效用比，定义为减少歧视与约束因果路径产生的过量损失之间的比值。最后，由于我们的方法需要具有因果约束的公平预测器，我们介绍了一种新的用于因果约束公平学习的神经方法。

May, 2024

因果推理对于评估公平性至关重要，尤其是自动化决策和合法反歧视程序中。在实践中应用因果关系的挑战和限制以及可能的解决方案也进行了讨论。

Jul, 2022

本文研究了一种被称为结果控制的决策任务，尝试在实现最优结果的同时保证公平性，介绍了一种最小公平性要求的算法，并提出了分析受保护属性影响的工具。最后，提出了因果效益公平性的概念，并提出了一种新的最优化程序，能够确保决策过程中的因果公平性。

Jun, 2023

本研究从补救行动的角度研究算法公正性，提出两个新的公正性准则，明确考虑特征之间的因果关系，从而捕捉在物理世界中执行的补救行动的下游效应。我们探讨了我们的标准与其他标准，如反事实公正性的关系，并且证明了补救公正性与预测公正性互补。最后，我们讨论了是否可以通过社会干预来更好地解决数据生成过程中的公正性违规问题，而不是限制分类器。

Oct, 2020