使用多目标优化的方法直接优化错误 - 公平性权衡，并提出了一个灵活的框架来定义权重分类问题和多个代价函数，以减少优化参数，同时在真实问题中获得了更好的错误 / 公平性权衡解决方案。

Apr, 2023

探讨了多目标优化的用户偏好以及与公平性在机器学习和多目标优化中的关系，介绍了公平性感知多目标优化的代表案例，并进一步阐述了公平在传统多目标优化、数据驱动优化和联邦优化中的重要性和挑战。

Jul, 2022

本文介绍了一种新的处理公平性的方法，通过建立一个随机多目标优化问题，得到一组准确且平衡的 Pareto 前沿，以此权衡准确度和公平性，以更高效地处理大量的流数据。

Aug, 2020

本文引入一种新颖的方法，即面向公平性自适应记忆分类器的进化多目标优化，旨在增强机器学习算法在数据流分类中的公平性。该方法通过将自适应记忆 K 最近邻算法的优势与进化多目标优化相结合，有效地处理流数据中的概念漂移，并同时最大化准确性和最小化歧视。通过在各种数据集上进行广泛实验，将提出的方法与几种基准方法在准确性和公平度指标方面进行比较，证明了该方法的有效性。结果表明，该方法具有竞争力的准确性并显著减少了歧视，突显其作为面向公平性数据流分类的稳健解决方案的潜力。进一步的分析也证实了触发进化多目标优化和适应分类器的策略在提出的方法中的有效性。

Apr, 2024

机器学习中的公平干预可能会加剧预测复杂性，而提出了一种可应用于任何公平干预的集成算法来解决挑战并确保更一致的预测。

Jun, 2023

提出了一个框架以减少训练数据集中不公平的代表性，其中使用两个相互操作的对手功能来提高公平性。首先，通过训练模型防止猜测受保护属性的值，同时限制效用损失，实现模型公平性优化。然后，利用对抗机器学习的规避攻击生成新的被错误分类的例子，并用于第一步模型的重新训练和改进增强模型的公平性。将这两个步骤迭代应用，直到显著提高公平性。

May, 2020

本文展示了在真实世界中基于 40 个高评分 Kaggle 模型的公平性评估及其 7 种缓解技术的实证研究。结果发现，部分优化技术会导致模型失公，尽管机器学习库中有公平控制机制，但这些机制未被记录。最佳的降低失公的方法往往存在权衡和代价.

May, 2020

本文提出一种可微分度量方法来优化神经分类模型的团体公平性，继而展示了两个适用于不同组神经分类模型的 Pareto 最优化参数化的 MOO 框架，并在 Hate Speech Detection 任务上获得了优于先前方式的实证结果。

Apr, 2022

将公平性问题重新解释为一种基于超级公平性目标的模仿学习任务，以同时提高决策的准确性和公平性。

Jan, 2023

本文讨论了多任务学习中组公平性对于准确性的影响，提出了一种新的测量多维 Pareto 前沿的公平性 - 准确性权衡的方法，并提出了一种多任务感知公平性（MTA-F）方法来改善多任务学习中的公平性。实验结果表明，该方法的有效性。

Jun, 2021