本研究探讨了一种公平分配的在线模型，旨在捕捉现实世界慈善问题的特征。我们考虑两种机制来分配物品并分析了机制的多个公理特征，如策略无关性和无嫉妒性。最后，我们进行了竞争分析并计算了一个非协作的价格。

Feb, 2015

研究分配问题，引入社交网络模型，通过局部比例和局部嫉妒性的概念，使用单人切割模型确定图形结构和嫉妒性代价下的最大效用分配。

Nov, 2016

本论文主要研究如何在给定的特定限制条件下，实现资源公平配置问题，提出了一种有效的算法来计算两个中心公平概念，即 EF1和MMS，在满足限制条件的状态下，特别地，证明了在所有代理具有相同加性估值的情况下，即使存在限制条件，仍然可以有效地计算出 EF1 分配。

Apr, 2018

本论文综述了社交选择中一个经典且具有挑战性的问题--不可分割物品的公平分配--的最新进展，并探讨了计算视角如何提供公平高效分配的洞见和理解，其中包括运用知识表示、计算复杂度、近似方法、博弈论、在线分析和通信复杂性的工具。

May, 2020

本文研究了将不可拆分物品分配给具有加法偏好的代理人的基本问题。我们考虑 eliciting 每个代理人仅排名她最喜欢的 $k$ 个物品，而不是她的完整基数估值。我们表征了实现嫉妒 -自由度高达一个良好且近似最大值共享保证的 $k$ 值。我们还分析了由于缺乏完整信息而产生的社会福利的乘法损失，无论是否满足公平要求。

May, 2021

研究了具有策略性代理的可分割坏资源的公平分配问题，证明了在一定约束下，没有确定性的、讲真话的、无妒忌的机制存在。

Jan, 2023

研究在具有双值次模估值的代理人之间公平分配不可分割物品的问题，并提出了一种基于Yankee Swap机制的简单顺序算法框架，可用于计算多种解决方案概念，包括leximin，max Nash welfare（MNW）和$p$-mean welfare最大化分配，当$a$除以$b$时；对于两个公认的特性-羡慕无阻和最大收益份额保证，我们进一步检查leximin和MNW分配。

Feb, 2023

本文提出了一种新颖且可解释的预处理方法FairShap，用于通过数据估值实现公平的算法决策。FairShap基于Shapley Value框架，并通过测量每个训练数据点对预定义公平度量的贡献来实现可解释性。我们在多个不同性质、不同训练场景和模型的最新数据集上进行了实证验证，该方法在表现上优于其他方法，并产生了具有类似精度水平的显着更公平的模型。此外，我们通过直方图和潜在空间可视化说明了FairShap的可解释性，我们相信这项工作代表了算法公平性可解释、深度学习可解释性等面向的有前途的方向。

Mar, 2023

提出了一种具有不同类型特征的异质自私玩家的资源选择博弈模型，类似于Schelling Games，对资源使用的最低同类型代理人比例指定了容忍度阈值τ。该模型考虑了均衡的存在性和质量，以及社会福利最大化的复杂性，并考虑了有限理性模型，其中代理人可以估计资源的效用，但不能知道策略变化对目标资源的影响。

May, 2023

多次公平分割研究中，考虑了两个玩家——爱丽丝和鲍勃——对蛋糕的私人评估。通过使用类似二分搜索的策略，爱丽丝可以逐渐准确地判断鲍勃的喜好，从而在资源分配中获得了不成比例的份额。通过与Blackwell可达性的连接，证明了在每一轮的游戏中，通过保证对手的平均效用近似为1/2，并保证自己的平均效用至少近似为1/2，在极限情况下玩家可以实现公平的效用分配。最后，通过分析称为虚构博弈的自然动态，证明了虚构博弈以O(1/√T)的速率收敛到公平的效用分配。

Feb, 2024