我们介绍了一种算法框架，用于处理多获胜者投票问题，并在特定属性方面保持公平。该框架可以满足多个非不相交属性的公平性要求，并且可以指定一个评分函数。我们研究了单调和次模评分函数的计算复杂度，针对各种属性组结构和评分函数类型提出了几种近似算法和匹配的近似难度结果。我们还进行了模拟实验，结果表明添加公平约束可能不会对分数产生显著影响。

Oct, 2017

本研究提出一种算法用于在考虑限制因素的情况下，最大化一类亚模模函数。算法能够保证在该模函数家族下，输出子集的效用最优，并均衡代表每个子集组。

May, 2023

本文研究了多胜者选举的公平性，并提出了一种旨在跨选民群体公平地选择候选人的模型，分析了模型的计算复杂性和实用性，并讨论了与 AI 和机器学习相关的影响。

Nov, 2022

本研究致力于解决在电子商务中，为了使商品推荐更具多样性和公正性，提出的带约束排序优化问题，通过提出的快速精确和近似算法，得出结论：即使当约束条件很大时，我们的算法仍然可以在线性时间内运行，并且产生具有小约束违规的解决方案。

Apr, 2017

本文介绍了一种方法，帮助用户选择公平的准则权重，在多维空间中为一系列公平准则展示出满足这些准则的区域，如果不满足相应准则，提供最小的修改建议。实验证明，该系统能够有效地满足公平性要求。

Dec, 2017

本文提出了一种多赢家选举模型，结合了委员会质量的表现 - based 测量方法 (例如，委员会成员的 Borda 分数) 和多样性约束。我们主要关注于分析算法的复杂度和募集委员会的策略。

Nov, 2017

通过开发近似算法解决具有组内公平性约束的单调子模函数最大化问题。

Apr, 2023

本文研究了现有的选集算法在增加历史劣势群体代表性或整体提高代表性时所引发的群体内不公平问题，并通过整数线性规划引入额外约束来平衡群体内公平性和整体性能之间的可行性权衡。

Jun, 2019

本文使用近似算法的方法定量分析多胜选者投票规则，估计它们与通过审批的 Chamberlin-Courant 规则和多胜选者批准投票中定义的两个极端目标的逼近程度，并通过理论和实验方法将多赢家规则分类到这两个对立目标的数量对齐方面，研究结果提供了关于多赢家规则的基本信息，尤其是在选择这样的规则时必要的权衡。

Jan, 2018

本文介绍了一种优化用户公平性、项目公平性和多样性的排名算法，并通过实验证明其在这三个方面的有效性和权衡。

Oct, 2020