本文提出了一种利用随机排序策略来进行公平学习及考虑排序项影响的通用LTR框架，并通过基于政策梯度方法的Fair-PG-Rank算法进行优化，可在保持曝光公平性的情况下优化各种效用指标。通过实验结果验证了此方法在个人和集体公平性方面的有效性。

Feb, 2019

本文从一个双分值排序任务的角度解释了预测风险值的公平性，并提出了以xAB偏差作为评价指标，通过对再犯罪率预测、收入预测和心脏骤停预测的xAUC分析，发现彼此预测性能的对比并不一定代表公平性。

Feb, 2019

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

针对排名中的公平性问题，我们提出一种基于分配式最小最大公平理论的算法，旨在通过随机化策略，尽可能地减少个体不公平带来的损失，并确保在满足给定群体公平性约束的同时，能够使尽可能多的个体获得最大的收益。

Jun, 2021

我们提出了一种测试评分排序系统公平性的方法，称为匹配双校准。我们的方法构建了一组匹配的项目对，这些项目对子组之间的混杂差异最小，然后在集合中计算适当的排名误差度量，并确保比较相同评分的项目子组结果，以便测量绩效差异直接暗示着子组水平的不公平性。

Jun, 2023

本文通过研究subset selection问题中的系统性和无意识偏见，探讨了在加入公平性约束条件下如何提高选择结果的质量，发现这与使用multiwinner得分函数的方式有很大关系，有些函数只需要少量排名即可达到近似最佳解，而对于其他函数却需要大量排名进行修正，并提供了工具进行实证验证。

Jun, 2023

本文提出了易于解释的数据驱动补偿措施，通过给予少数群体额外的奖励积分，来解决排名函数中的不平等问题，并利用高效的基于采样的算法计算奖励积分的数量，以减小不平等的程度。

Jul, 2023

透过自适应调用两两比较来研究可能近似正确且公平（PACF）排名问题，目标是根据我们提出的公平目标函数找出一个（ϵ，δ）-PACF排名。我们使用的目标函数要求最小化组的误差lq范数，其中组的误差是组内所有项误差的lp范数，p,q≥1。我们提供了群体不可见和群体感知算法，并分析了其样本复杂度。我们对真实数据集和合成数据集进行了全面的实验以补充我们的理论结果。

Feb, 2024

我们的研究考虑了排名函数：将分类任务的个别预测映射为排名分布，重点关注对预测扰动的稳定性以及对个体和子群体的公平性。我们展示了最近提出的基于不确定性的排名函数在稳定性方面的表现，并且通过与多准确预测或多校准预测器的成功组合，实现了多组公平性。我们的研究表明，基于不确定性的排名在组和个体级公平性保证之间自然插值，并且同时满足在使用机器学习预测时重要的稳定性要求。

Feb, 2024

我们介绍了一种使用Expohedron解决多目标优化问题的方法，该方法能够在用户效用的最大化和生产者之间的不公平性的最小化之间提供Pareto最优平衡，并通过识别有限数量的Pareto最优解来捕获组公平性和用户效用之间的权衡。我们还提出了在Expohedron的外接$n$-sphere上放松优化问题的高效方法，从而显著提高了运行时间。

Feb, 2024