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

本文介绍了两种创新方法来生成成本感知的公平计划，第一种使用优化问题预先分配目标，并使用该分配解决集中式 MAP 任务，第二种利用基于计划的编译，考虑给定的公平性方案来解决目标分配和计划的联合问题，在几个标准 MAP 基准测试中证明这些方法优于不同的基线，并表明生成公平计划无需牺牲过多的计划成本。

Dec, 2022

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 ML 模型的审计算法，通过提出确定性算法和实用的随机化算法来评估 ML 模型的人口统计平等，以帮助监管机构应对机器学习的监管挑战，并为 AI 治理奠定更坚实的理论基础。

Jun, 2022

本文研究了日常决策过程中机器学习技术的逐渐应用所带来的公正性问题，特别关注碰撞器偏差问题，并提出了使用定理指导公平评估来减少碰撞器偏差的无偏评估算法。实验和模拟表明，该算法可以显著减少评估时的碰撞器偏差，并在审计训练好的分类器中表现良好。

Oct, 2020

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

在现实环境中进行大容量模型的鲁棒审计是一个困难的问题，通过使用 Rademacher 复杂度，研究了最新的无法操纵审计技术对目标模型容量的可操作性，实验证实了大容量模型难以进行鲁棒审计的问题。

Feb, 2024

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 AI 平台的审计问题，提出了平台抓取和 API 联合使用的方法，通过代理检测 API 回答的篡改，从而提高审计可靠性。

May, 2023

本论文考虑如何设计一种激励机制，以在固有的逆向选择环境下，利用纯粹的协作或对抗以及报告代价获得真实从众意见汇报。

Jan, 2014