通过公平回归和最优输运理论的联系，得到一种最优公平的预测器，并建议了一个简单的后处理算法来实现公平。这个结果提出了最优公平预测的直观解释，并为这个过程建立了风险和无分布的公平保证。

Jun, 2020

该论文研究了机器学习中的公平性问题，提出了在保持公平的前提下如何提高预测模型性能的方法，并且证明了最小误差率可以通过 Wasserstein 平均问题的最优值来计算，从而提出了一种简单的后处理方法来保证模型的公平性。

Nov, 2022

第一次针对边际公平性分割瓦瑟斯坦重心问题，提出了三个超参数自由、计算可行的替补问题，以隐式地最小化到边际的距离并同时鼓励边际公平性。进一步改进效率，通过引入更多关注边际不公平投射方向的新分割分布，获得了第三个替代定义。通过在三维点云平均值、色彩协调和具有类公平性表示的分割瓦瑟斯坦自动编码器训练中进行实验，展示了所提替代 MFSWB 问题的有利性能。

May, 2024

本文介绍了一种公平解释性框架，用于在分布级别上测量和解释分类和回归模型中的偏见。通过使用 Wasserstein 度量，在模型输出的亚群分布上测量模型偏差，考虑模型和预测变量相对于非受保护类的有利性，使用运输理论进行量化，并通过博弈理论的技术实现偏见解释的可加性。

Nov, 2020

通过多次敏感特征逐步实现公平性，利用多元 Wasserstein 几何中心将 Strong Demographic Parity 的标准推广到具有多个敏感特征的情况，并提供一种闭式解决方案，使得对不同敏感特征之间的相关性有明确的解释，进而实现了风险和不公平性之间的权衡。该方法适用于近似公平性，提供了对特定敏感特征的公平性改进的有针对性优先级，从而实现了针对案例的适应性，通过数据驱动的解决方案估计程序，并在合成和真实数据集上进行了全面的数值实验证明了我们的后处理方法在促进公平决策方面的实际有效性。

Sep, 2023

本文提出了一种用于多类分类的算法公平性方法，同时给出了最佳公平分类器的相关表达式，该方法基于数据驱动的程序并且有理论保证。该方法在合成和真实数据集上都很有效，在决策制定中具有预设不公平性水平的公平性保证（无需考虑分布），并竞争（即使更好）地完成二元和多类任务。

Sep, 2021

该论文提出了一种新的方法来减轻神经文本分类中的偏见，它能够在处理公正性问题时不需要敏感属性的注释，与现有的方法相比具有可比较或更好的公正性和准确性权衡。

Nov, 2023

本文研究了分类问题中的公平性和准确性之间的权衡，并提供了任何公平分类器群体误差和任何（近似）公平分类器的联合误差的下限，从公平表示学习角度推广这个结果。

Jun, 2019

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

本文提出使用 Wasserstein barycenter 对模型进行集成，以在多类或多标签学习设置中提高模型性能，并应用于基于属性的分类、多标签学习和图像标题生成任务，结果表明 Wasserstein 集成是一种可行的替代方法。

Feb, 2019