我们利用因果上下文桥接了反事实公平、鲁棒预测和群体公平之间的差距，展示了它们之间的等价关系，并通过测量相对简单的群体公平指标来测试反事实公平。
Oct, 2023
本文探讨了基于因果关系的公平性概念及其在实际场景中的适用性，并针对采用观察数据估计因果量的不同方法，包括可辨识性和潜在结果框架进行了综合报告，提供出一个指南来帮助选择适合特定实际场景的公平性概念，并根据 Pearl 的因果推理难度对公平性概念进行了排名。
Oct, 2020
本文提出了一个利用因果推断工具来建立公正性模型的框架，以避免机器学习在保险、贷款、雇佣和预测执法等领域的不公正决策，避免造成基于不公正数据的歧视性做法，以法学院成功的公平预测为实际问题进行了实证研究。
Mar, 2017
通过将与预测相关的分布属性纳入考虑，我们扩展了人口平等的概念，允许专家知识在公平解决方案中得到应用，并通过一个工资的实际案例说明了此新度量的使用，同时开发了解决实际挑战的参数方法，提供了一个适用于现实生活中应用场景的强大解决方案。
本研究提出一种利用反事实推理揭示机器学习和去偏见模型不公平行为的方法，在三个不同数据集上获得验证。
Feb, 2023
通过对统计平等和预测平等的关系进行原因分解，我们得出了一种新的公式，使得两种平等概念不互斥，而是互补的，并通过业务必要性的理念涵盖了公平性概念的一系列光谱，最终我们通过真实世界的案例证明了我们发现的重要性。
Jun, 2023
通过分析算法公平性的因果定义，本文发现无论是基于对抗偏见的决策影响还是基于法律保护分类的影响，这些定义几乎总是以极端帕累托支配的决策方案结束，这突显了因果公平性普遍数学概念的形式限制和潜在的不良后果。
Jul, 2022
本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。
Jul, 2019
本研究在于确定机器学习模型应用在社会领域中哪种公平性定义最为合适，通过自适应实验发现，人们普遍倾向于使用最简单的数学公式 —— 人口平等来衡量公平性。
Feb, 2019
基于背推式反事实，我们探讨了一种新的范式，以固定法律保护特征的同时考虑替代初始条件，从而解释您作为现实或潜在自身的反事实结果。这种替代框架允许我们解决许多相同的社会问题，但在提出根本不依赖于人口统计学介入的不同问题。
Jan, 2024