本研究提出了一种新的范式，通过引入首个基于人类偏好征集的人在环路方法，将用户视为过程的主动参与者，结合蒙特卡洛树搜索的强化学习智能体以提供个性化干预以实现算法回溯。

May, 2022

该论文研究算法性救济，包括在自动化决策系统中提供可行的建议，如何在相关不利的情况下提供建议并保持鲁棒性，通过正则化决策分类器来促进鲁棒救济。

Dec, 2021

针对内容提供者，我们提出了一个适用于推荐系统的追索框架，旨在理解模型在做出特定预测和推荐时的基本原理，并通过对三个真实数据集上训练的推荐系统进行实证评估，展示了 RecRec 在生成有效、稀疏和可执行的追索方面的高效性。据我们所知，这项工作是首次对推荐系统生成追索的概念进行了概括和实证测试。

Aug, 2023

机器学习在诸如医疗保健、银行和刑事司法等关键领域的普及促使了确保 ML 模型的信任和透明性的工具的创建，其中一个工具是用于受负面影响的用户的可操作补救措施（AR），AR 描述了对用户的可行性特征的成本效益改变的建议，以帮助他们获得有利的结果；基于现有方法的补救方式优化了接近性、稀疏性、有效性和基于距离的成本等属性，然而，行动性的一个常被忽视但至关重要的要求是考虑用户偏好来指导补救生成过程，本研究尝试通过三种简单形式（i）评分连续特征，（ii）限制特征值范围和（iii）对分类特征进行排序）来捕捉用户偏好，最后，我们提出了一种基于梯度的方法来识别用户优选的可操作补救措施（UP-AR），我们进行了大量实验证实我们方法的有效性。

Sep, 2023

本文提出了一种新的算法回溯框架 DEAR，通过解缠共变特征的潜在表示来捕捉实践回溯的主要愿景，从而在特征依赖的情况下提供可靠且低成本的回溯。

Nov, 2022

该论文提出了一种新算法，用于学习准确的基于树的模型，同时确保存在补救措施行动。

Jun, 2024

对算法补救研究的现有假设提出质疑，指出参与者对补救方案的接受和行动意愿与补救距离并不相关，并呼吁重新思考评估函数以实现以人为中心的补救生成。

May, 2024

算法性回溯的研究目标在于为自动化机器学习模型所做出的可能不利决策提供可行性解释或改变方案。本文提出了一种基于引导互动模式的交互范式，旨在引导用户表达偏好并引导他们采取有效的改变方案。作者通过在虚构的借贷任务中进行对比，将该方法与基于替代方案和用户自行配置的自由性的探索互动模式进行比较。结果显示，用户可能认为引导互动范式提高了效率，但也感到在 “假设” 场景下的自由度较低。然而，对于纯探索界面所花费的时间通常被视为缺乏效率，从而降低了其吸引力、明确性和可靠性。相反，对于引导界面，时间的增加似乎提高了其吸引力、明确性和可靠性，而不会影响到用户对其效率的感知。这可能表明这种类型的界面应该将这两种方法结合起来，既支持探索行为，又慢慢引导朝着有效解决方案的方向前进。

Apr, 2024

我们提出了一种基于机器学习的回溯算法，用于提供决策结果不理想的人可以采取的可操作的一系列改变，以改善他们的结果。我们的算法可适用于各个不同 iable 的基于机器学习的决策系统，并填补了关于公平性的现有文献的不足之处。

Jul, 2019

通过计算具有风险考虑的途径，这篇论文旨在为那些受到机器学习模型决策不利影响的个体提供补救建议，以便改善他们的处境并获得有利的决策。

Aug, 2023