研究利用观察数据，设计有效的、公正的、可解释的政策，将异质人群分配到不同类型的资源。将此问题建模为多类多服务器排队系统，提出了一种基于因果推论技术的方法来构建个人队列，并提供混合整数优化公式以最优化资源分配资格结构。在实验中发现，本研究框架可以提高对少数族裔和未成年人等弱势群体的解救率，同时使等待时间更短。

Jan, 2022

本研究考虑在非营利性组织的情境下进行在线资源分配，通过使用基于样本的线性规划算法实现了公平分配策略，并将其应用于实际的 COVID-19 疫苗接种数据集，结果表明该算法可以有效提高公平性。

Dec, 2021

该研究探讨基于机会平等的公平分配问题，并介绍了一种有效的学习算法来克服不完整反馈数据，进而应用于预测犯罪问题。

Aug, 2018

本研究旨在探讨政府和非营利组织在任务为需要实现顺序并且可能相关的代理人之间公平高效地分配社会福利时所面临的分配难题，特别是在 COVID-19 流行病期间的类似情况下发现最小填充率上限和最小预期填充率的方法是什么，我们提出了一个简单的自适应政策 -- 投影比例分配，该政策可以同时实现最佳的 ex-post 和 ex-ante 公平，通过对 COVID-19 医疗用品的二元 SEIR 模型进行数值研究，我们发现 PPA 政策显著优于其理论保证以及最佳目标填充率政策。

Feb, 2021

使用基于转换器的深度 Q 网络，研究在健康资源匮乏条件下公平有效地进行重症护理资源分配的强化学习方法。实验结果表明，与现有的基于严重程度和合并症的方法相比，我们的方法在不同级别的呼吸机短缺情况下显著减少了多余死亡，并实现了更加公正的分配。

Sep, 2023

本文探讨了在不观察个体保护属性的情况下，使用不同质量的数据源估算这些属性以降低公平惩罚的在线分配问题，并提出了一种在多臂赌博问题的框架下同时解决两个问题的算法，该算法可以适应多种不同的公平概念，并且在一些情况下可以学习使用的估计值。

Jun, 2023

通过因果推断和约束优化方法学习公平政策，解决敏感情境下数据分析中存在的多个潜在偏见，避免自动决策程序和学习算法继续存在不公平现象。

Sep, 2018

通过解决难以计算的无限机会约束程序，提出了一种多阶段框架，用于从观测数据中学习公平策略，该问题与公司招聘、贷款批准或保释决策等高风险领域中的选择相关，我们专注于可解释的线性选择规则，并通过解决混合二次锥优化问题获得了组合评价的解决方案，与现有的选择策略相比，在精确度方面提高了 11.6%，在不公平度方面减少了 38%。

Dec, 2023

该研究提出了一种新的评估算法资源分配政策的实验方法，所使用的估计器可以通过重划分试验组参与者，构建对照试验并准确地评估结果。经过实证研究，该方法在合成数据、半合成数据和真实案例中都取得了改进的评估准确性。

Feb, 2023

在资源有限的情况下，为了准确预测贷款人还款能力，银行需要确定筛选标准，本文介绍了一种用线性规划解决这一问题的算法，提高了资源利用率及信息获取并增加预测准确性的价值。

Nov, 2019