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

连同统计可减少方差的估计和鲁棒估计在内，研究了在可能违反正性的情况下的最优治疗规则的因果识别和估计，以及如公平性等约束通过约束优化处理，并提出了用于获得方差敏感性遗憾界的多参数政策类的两阶段算法。

Sep, 2023

本文研究了在智能决策系统中公平性的一个重大问题，即如何在决策过程中考虑人口的长期影响。我们提出了一个简单却深入的模型，它将考虑到人员选择以及政策对群体资格的影响力，重点研究肯定行动的形式主义。我们的研究明确了这个制约政策对于旨在实现平衡的肯定行动而言的成果，它是对智能决策系统中不断变化着的影响因素与公平性之间关系的重要探究。

Dec, 2018

通过因果推断和约束优化方法学习公平政策，解决敏感情境下数据分析中存在的多个潜在偏见，避免自动决策程序和学习算法继续存在不公平现象。

Sep, 2018

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

介绍了一种基于经验风险最小化的算法，通过将公平性约束条件融入到学习问题中，实现敏感变量不会不公平地影响分类器的结果，得出了公平性和风险的界限，对核方法进行了特定说明，发现公平性要求意味着正交性约束，此约束可轻松添加到这些方法中，特别是对于线性模型，约束转化为一个简单的数据预处理步骤，实验证明该算法具有实用性，表现优于最先进的方法。

Feb, 2018

研究强化学习中的公平性问题，探讨算法选择对环境和未来奖励的影响，提出公平性约束条件，尽管该条件与最优策略一致，但满足公平性的学习算法必须花费时间指数级才能达到对最优策略的非平凡逼近，提出在近似公平性约束下的多项式时间算法，从而建立了精确公平性和近似公平性之间的指数差距。

Nov, 2016

本文提出了一个新的框架 Scales，利用基于约束马尔科夫决策过程（CMDP）的公共表示将公平性原则转化为一种通用的框架。利用因果语言，该框架可以同时对决策过程（程序公平性）和决策结果（结果公平性）施加约束， 同时展示了 Scales-cmdp 中知名的公平性原则可以编码为一个效用组件、非因果组件或者因果组件。最后，作者用健康医疗模拟和真实的 COMPAS 数据集为例展示了 SCALES。实验表明，这个框架在单步和序贯决策场景中可以制定体现多种公平性原则的公平政策。

Sep, 2022

本研究提出了一种计算因果公平性的框架，其中定义了一个旨在涵盖前期因果公平概念的统一定义，并使用约束优化问题对路径特定反事实公平性进行了界定，以解决可辨识性的问题，实验表明了本方法的正确性和有效性。

Oct, 2019

通过对统计平等和预测平等的关系进行原因分解，我们得出了一种新的公式，使得两种平等概念不互斥，而是互补的，并通过业务必要性的理念涵盖了公平性概念的一系列光谱，最终我们通过真实世界的案例证明了我们发现的重要性。

Jun, 2023