不平等不确定性下的公平排名
对在线平台中对个人、提供方或内容进行公正排序的 “公正排名” 研究文献进行了批判性概述，提出了更全面和以影响为导向的公正排名研究议程的前景，包括其他领域的方法论教训以及更广泛利益相关者社区在克服数据瓶颈和设计有效监管环境方面的作用。
Jan, 2022
本研究提出了一种有效的算法，在保持个体公平的情况下，从一组项目中随机抽样出排名，以确保输出排名满足群体公平性限制，同时保证输出排名的期望效用至少是最优公平解的效用的 α 倍，进而实现在线平台的算法公平。
Jun, 2023
本文提出了一种能够同时解决学习算法固有的和训练数据中的算法和应用中置入偏见的公平性问题的排序方法，采用一类延迟策略梯度方法，即采用公平度量的代价函数，并针对所需的应用程序选择一类的 “平均公平度量” 选择公平度量，有效地使学习算法能够处理包含偏差和噪声的数据，并通过对算法进行实证研究证明其能够获得准确而公平的排序策略。
Nov, 2019
本文针对在线市场中排名的公平问题，提出了一种令所有商品都不会嫉妒和劣于其他商品的轮廓分配方式，并通过实证研究说明了这种分配方式控制了单个商品公平性与用户效用之间的权衡。
Jun, 2022
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
该论文提出了一种新的测量和减轻排名偏差的方法，通过减少个体受到的不公平待遇，从而实现排名的公平性，同时维持排名质量。该方法弥补了现有方法在个体和群体公平性检测上的不足。
May, 2018
提出了一种公正和无偏的排序方法 Maximal Marginal Fairness (MMF)，它包含了为关联度和公平性提供无偏估计的算法以及一个明确的控制器，以在前 k 个结果中最大化边际关联度和公平性，理论和实证分析表明，在长列表公平性方面做出了一些小妥协，我们的方法在前 k 个排名中的相关性和公平性方面，都优于现有的、最先进的算法。
Feb, 2021