本文介绍了整数规划工具，以确保在线性分类问题中具有追索权，其中一个人通过更改可操作的输入变量（例如收入与年龄或婚姻状况）来改变模型的决策，并演示了这些工具如何通过信用评分问题的实验向利益相关者提供信息，结果表明，标准的模型开发实践可以极大地影响追索权，并促进实际中对追索权的评估。

Sep, 2018

我们提出了一种基于机器学习的回溯算法，用于提供决策结果不理想的人可以采取的可操作的一系列改变，以改善他们的结果。我们的算法可适用于各个不同 iable 的基于机器学习的决策系统，并填补了关于公平性的现有文献的不足之处。

Jul, 2019

机器学习在诸如医疗保健、银行和刑事司法等关键领域的普及促使了确保 ML 模型的信任和透明性的工具的创建，其中一个工具是用于受负面影响的用户的可操作补救措施（AR），AR 描述了对用户的可行性特征的成本效益改变的建议，以帮助他们获得有利的结果；基于现有方法的补救方式优化了接近性、稀疏性、有效性和基于距离的成本等属性，然而，行动性的一个常被忽视但至关重要的要求是考虑用户偏好来指导补救生成过程，本研究尝试通过三种简单形式（i）评分连续特征，（ii）限制特征值范围和（iii）对分类特征进行排序）来捕捉用户偏好，最后，我们提出了一种基于梯度的方法来识别用户优选的可操作补救措施（UP-AR），我们进行了大量实验证实我们方法的有效性。

Sep, 2023

本文讨论如何建立一个能够准确预测并确保负面影响不会对不同群体产生不成比例影响的模型，通过优化无论是线性设置还是非线性设置的归属度，来减小归属度不公平现象的发生。

Sep, 2019

本文旨在探讨对算法提供诉求时对于隐私泄露的重要风险，通过 membership inference attacks 方法将对算法使用的数据的私密信息泄露。

Nov, 2022

本文研究了机器学习中的算法回溯问题，在考虑了精度和鲁棒性之外，提出应当考虑公平、隐私、责任和可解释性等价值观，并对相关文献进行了全面审视，提出了一些解决方案。同时，作者还为该领域的研究方向提供了一些新的视角和方向，挑战了一些关于安全、隐私和公平性方面的假设。

Oct, 2020

提出了一种新的框架 ROAR（RObust Algorithmic Recourse）用于解决由于模型漂移导致现有的后事补救技术不再有效的问题，该框架利用对抗性训练找到了对模型漂移具有鲁棒性的后事补救，实验评估结果表明这种方法在多个合成和现实世界数据集上具有很高的效度。

Feb, 2021

算法回溯是提升机器学习模型解释性、透明性和伦理性的一种突出技术；现有的算法回溯方法通常假设预测模型是不变的，但预测模型往往会在新数据到达时进行更新，因此对于未来的模型而言，对现有模型有效的回溯方法可能变得无效。为解决这个问题，我们提出了一个新框架生成与模型变化鲁棒的模型无关回溯。我们的框架首先构建了一个基于线性 (代理) 模型的可覆盖性和有效性感知回溯，然后根据这个线性模型生成回溯。我们建立了我们的可覆盖性和有效性感知线性模型与极小最大概率机 (MPM) 之间的理论联系，并证明通过给定不同的协方差鲁棒性，我们的框架可以恢复 MPM 的常用正则化，包括ℓ2 正则化和类别重新加权。此外，我们还展示了我们的代理模型直观地推动近似超平面，使得回溯既具有鲁棒性又具有可解释性。数值结果证明了我们框架的有用性和鲁棒性。

Nov, 2023

本研究提出了有意义的算法追溯 (MAR) 方法，该方法仅推荐同时改善预测和目标的操作，从而解决了原有算法追溯方法的问题，并介绍了一种称为有效算法追溯（EAR）的方法，它可以假定采取操作可以影响模型目标的所有原因，从而生成有意义的算法追溯解释。

Jul, 2021

基于实例化反事实解释的隐私回溯路径，提供了一种端到端的隐私保护管道，可生成逼真的回溯路径。

Nov, 2023