该研究引入了一种灵活的机制，以设计公平的分类器，其中利用了一种新颖的、直观的决策边界（不）公平度量，并结合实际的数据表明，该机制在维持准确度的小代价下，允许对公平度进行微调。

Jul, 2015

研究提出了一个信息理论框架来设计公平的预测器，以在监督学习环境中防止对指定敏感属性的歧视。使用平等的机会作为歧视标准，这要求在实际标签的条件下，预测应独立于受保护属性。同时确保公平和泛化，将数据压缩到辅助变量，再通过贝叶斯决策规则得到最终预测器。

Jan, 2018

本文主要论述机器学习中公平性问题，提出三种公平模型：无意识公平、人口统计学公平和反事实公平，并在认识情境演算中进行了形式化的定义。

Jun, 2023

该研究探讨了机器学习中公平性的定义和测量方法，提出了基于因果推理的非歧视标准，并开发了相应的算法。

Jun, 2017

机器学习算法应用于如信贷贷款或刑法司法等关乎人类生活方面的情境，其所基于的数据若含有人类偏见决策，则会产生人类偏见决策，拥有公平观念的机器学习是一种解决方案，但是如何实现公平面临着 “多维面” 等难题，要想在不同领域实现公平、公正，算法必须做到数据和开发者审查的透明化，在此基础上不断进行公平审计。

Jan, 2019

本研究使用在线实验的方法，探讨三组因素（算法预测结果、算法开发和部署程序以及个体差异）对算法公平性认知的影响，研究发现，参与者倾向于认为算法在其预测结果有利的情况下更加公平，这种影响受到多种变量的调节，如教育水平、性别以及开发程序的若干方面，研究结果表明在通过用户反馈评估算法公平性时，必须考虑预测结果偏好的可能存在。

Jan, 2020

本文针对在线个性化设置中排名的公平性问题，从公平的机器学习模型开始，探讨了在线个性化如何导致模型不公平，并提出了一种基于正则化的方法来缓解机器学习中的偏差。

Jul, 2020

本文旨在调查研究自动化决策系统中机器学习算法存在的偏差及其与公平、隐私和分类准确性之间的关系，并综述了处理公平 - 准确性权衡的不同方法。作者通过实验分析了公平度量和准确度在现实世界场景中的关系。

Sep, 2022

本研究探讨了在自动化数据驱动决策中存在的公平性问题，并基于账单分配和无嫉妒性理论，提出了一种基于偏好的公平性概念及采用可行的代理方法设计符合偏好公平性观念的分类器。 通过实验得出此偏好公平性相较于基于平等的公平性更加实用。

Jun, 2017

本文提出了一种基于概率映射用户记录的方法，用于实现算法决策应用的个体公平性和真实应用环境下的分类器和排名等工具的效用性，并通过应用于现实世界数据集的分类和学习排序任务的实验表明了其比之前最佳方法有显著改善。

Jun, 2018