通过多重假设检验，在统计保证的前提下，使用自助法在子人群的集合中同时限制性能差异，从而识别受模型性能不足影响的子人群并验证模型在某些子人群中的适用性。此外，该方法还兼容超丰富甚至无限的子人群集合，并支持评估在某些分布变化下的性能。

May, 2023

本文研究了机器学习算法的公平性问题，特别聚焦于算法输出稽核和多群体设置下的复杂公平性定义，拓展了公平性研究的领域。

Sep, 2022

本文提出了一种使用非参数方法、连续监控、基于概率策略和适应分布变化等特征的公平性审计方法，并在多个基准公平性数据集上验证其有效性。

May, 2023

在确定样本量和效应量时，本文介绍了一种程序，用于形式化研究者对所选择领域的效应量的预期，从而计算所需的最小测量变量数量，同时还概述了确定子群分析的最小样本量的方法，并使用模拟提供了常用子群分析方法（k 均值，Ward 层次聚类，c 均值模糊聚类，潜在类别分析，潜在属性分析和高斯混合模型）的参考表，该表显示了达到可接受的统计功效所需的每个预期子群（样本量）和变量数量（测量变量），可直接用于研究设计。

Sep, 2023

在机器学习中，通过使用受保护的属性定义的结构化函数类来提议一种新的公平统计定义，从而语义上定义了指数级（或无限个）子组内的统计不变性，并证明了公平子组审核的计算问题与弱自适应学习问题等价，提出了两种算法，证明了这些算法在解决自治学习问题的情况下可以收敛，其中第二种方法具有简单和更快的步骤计算的优点。

Nov, 2017

本研究关注于公平性决策者的欺诈风险并且提出了一种难以检测的算法 —— 隐秘偏倚抽样来满足这种欺诈需求。

Jan, 2019

研究机器学习中的算法偏差问题，提出一种同时确保公平和多样性的数据子抽样算法，并在图像总结任务中取得了显着的公平性改善和不太牺牲特征多样性的结果。

Oct, 2016

我们研究了具有统计子群公平性概念的分类器稽核问题。在高斯分布和一些先前的工作中，我们采用了一种新的方法来审核均匀半空间子群的统计公平性，并获得了多项式时间逼近方案（PTAS），在通用半空间子群和高斯特征分布条件下，没有密码学假设可以保证任何非平凡的审计。

Jan, 2024

介绍了一种用于审计子组公平性的框架，通过反事实说明来指出不同方面中某些子组个体实现补救的困难，提出了不同基本的子组公平概念。同时，提出了一个高效的，模型不可知的，高度可参数化和可解释的子组公平评估框架，并对不同基准数据集进行了彻底的实验评估，证明了其优点、广泛适用性和效率。

Jun, 2023

在机器学习系统中，公平性逐渐成为一个关键要求。本文着重于研究子群体公平性以及如何通过可解释性方法识别潜在偏见，并以用户友好的方式可视化结果，提出了 FALE 方法（公平感知累积局部效果图），作为识别潜在偏见问题的高效、用户友好、易理解和可靠的初步工具。

Apr, 2024