本文研究了在只有保护属性的不完美信息的情况下，公平干预是否仍然可行。我们特别研究了 Hardt 等人（2016）的等化几率后处理方法，证明了在属性扰动的情况下，只要符合我们所确定的条件，即使运行等化几率，分类器的偏差也会降低。我们还研究了所得分类器的误差，并实证观察到，在我们确定的条件下，大多数情况下误差不会因保护属性的扰动而受到影响。

Jun, 2019

提出了一种灵活的预测模型学习框架，可近似满足平等赔率公平性概念，采用差异性函数作为参数惩罚项并引入形式假设检验方法来检测预测是否违反平等赔率公平性，同时提供了平等不确定性量化技术来以精确术语传达数据分析结果。

Jun, 2020

本文利用在线随机决策过程实现近似群体公平，其中公平度量考虑到等于几率。通过经典的专家学习方案，通过一个有限的分类器集的基础上运行该算法的单个实例，为标签类和敏感群体运行单独的算法实例，通过一些理论结果表明，在不损失太多遗憾的情况下，可以实现近似的等几率结构。

Aug, 2019

我们研究了最优统计公平性解决方案与个别公平性之间的兼容性，并分析了它们之间的冲突以及潜在解决方案。通过放宽前者到 Pareto 边界，我们确定了满足个体公平性要求的 Pareto 边界区域，从而使统计公平的 Pareto 最优性与个体公平性的约束相适应。

Jan, 2024

我们提出了一个后处理算法来进行公平分类，通过统一的族群公平度量准则，包括统计平衡、平等机会和平衡赔率，来减轻模型偏差，适用于多类问题和具有属性感知和属性盲的设置。通过使用 “公平代价” 来重新校准给定基准模型的输出分数，它通过线性组合（预测的）群体成员身份来实现公平性。我们的算法是基于一种表达结果的表示方法，该结果表明最优公平分类器可以通过线性后处理损失函数和群体预测器来表示，这是通过将它们用作足够统计量，将公平分类问题重新形式化为线性规划问题来推导出来的。通过解决经验线性规划来估计后处理器的参数。对基准数据集上的实验证明了我们的算法与现有算法相比在减小差异方面的效率和有效性，特别是在更大的问题上。

May, 2024

通过将与预测相关的分布属性纳入考虑，我们扩展了人口平等的概念，允许专家知识在公平解决方案中得到应用，并通过一个工资的实际案例说明了此新度量的使用，同时开发了解决实际挑战的参数方法，提供了一个适用于现实生活中应用场景的强大解决方案。

Oct, 2023

机器学习在执法、刑事司法、金融、招聘和招生等领域的日益广泛应用，确保机器学习辅助决策的公平性变得越来越关键。本文以统计学的 “平等机会” 概念为基础，研究了公平性和准确性之间的折衷。我们提出了一个新的准确性上限（适用于任何分类器），并将其作为公平预算的函数。此外，我们的上限还与数据、标签和敏感群体属性的底层统计学关系密切相关。通过对三个真实世界数据集（COMPAS、成年人和法学院）进行经验分析，我们验证了我们理论上限的有效性。具体而言，我们将我们的上限与文献中各种现有公平分类器所实现的折衷情况进行了比较。我们的结果表明，在统计差异存在的情况下，实现高准确性条件下的低偏差可能从根本上受到限制。

May, 2024

介绍了一种名为 Welfare-Equalizing 的公平算法，旨在保护受保护群体。该方法提供了一种公平性数据分类的统一框架，以及一种计算最优分类器的算法。

May, 2019

本文旨在研究学术绩效预测系统中的公平性概念，发现基于学术绩效预测系统的 WYSIWYG 世界观和人群潜在的长期改善，平等赔率是最适合的公平概念。

Sep, 2022

研究如何在收集敏感属性信息受到禁止或限制的情况下，通过差分隐私算法实现公平学习，并提出两种算法来设计实现，同时保证了差分隐私和均等几率性，讨论这三个性质间的权衡关系。

Dec, 2018