本文研究基于单调性建立透明机器学习模型的可信度和公平性问题。研究了如何在保持透明性的情况下提高单调性，并提出了神经加性模型的单调树林方法。实验证明，实践中常常违反单调性，但采用单调树林的神经加性模型具有透明性，可信度和公平性。

Apr, 2023

本文介绍了一种基于统计推断的系统的运行时监测技术，该系统具有未知的结构但是被假定为具有马尔可夫链结构。我们引入了一种规范语言，可以模拟许多常见的算法公平性属性，例如人口平均，平等机会和社会负担。使用原型实现，我们展示了如何监测银行在不同社会背景的申请人给予贷款以及学院在保持合理的社会负担的情况下公平地录取学生。

May, 2023

本文介绍了 Monotonicity Entailment Dataset (MED)，并研究了最先进的 NLI 模型在该测试集上的表现。结果表明，这些模型的表现相当差，特别是在向下推理方面，并且数据增强方法显示这些模型的向上和向下推理的泛化能力受到限制。

Jun, 2019

讨论如何使用因果贝叶斯网络和最优输运理论来处理机器学习公平性问题，尤其是在复杂的不公平场景下，提出了一种统一的框架来处理不同的情况和公平标准，并介绍了一种学习公平表示的方法和一种考虑敏感属性使用限制的技术。

Dec, 2020

本文提出一种基于神经网络的单残差连接的加权受限架构，以实现对神经网络输入的任何子集的确切单调依赖，同时控制了神经网络的 Lipschitz 常数，从而提供了鲁棒性，该算法被用于训练强大，鲁棒和可解释的鉴别器，在多个基准测试中均取得了与当前最先进方法相媲美的性能。

Jul, 2023

本文介绍了 HELP 数据集，并将其添加到现有数据集中，用于训练最新神经模型，并评估它们在具有逻辑推理的 test sets 上的性能，在实验中，数据集有助于改善神经模型的整体准确性，特别是对于需要词汇替换的推理而言效果最佳。

Apr, 2019

科学信息化机器学习模型中应用可解释机器学习方法是否会得到一致的科学解释是本研究的关键问题，通过引入领域知识，提出了描述单调性的三个公理，并得出结论当仅涉及个体单调性时，基准 Shapley 值提供了良好的解释，但当涉及强对数单调性时，集成梯度方法在平均上提供了合理的解释。

Sep, 2023

该研究探讨了预测模型多样性对公平性的影响，发现在多个同等效果的模型中选择对于个人可能具有不利影响，而单纯技术手段无法解决这种问题。

Mar, 2022

本文介绍了一种评估神经模型能否学习自然语言的单调性推理系统性的方法，并考虑了语法结构的重要性，实验表明神经模型的推理性能在语法结构相同的情况下很好。

Apr, 2020

本文提出一种改进的 min-max 网络架构，使用严格单调递增光滑非线性函数来缓解梯度消失问题，以支持计算机辅助决策中的公平性，并在数据驱动的科学模型中增加可信度，其性能表现优于其他神经网络和非神经网络方法。

Jun, 2023