AI Act 试图在 AI 模型的设计阶段，将非歧视责任与算法公平两个概念联系起来，以缓解结构性的不平等问题，并提出了对于偏见检测和偏见修正的实际应用和技术要求方面的建议。

Mar, 2024

本研究旨在分析欧洲联盟的非歧视法与计算机科学领域先进的算法公正概念之间的重叠与区别，研究表明，当前的 AI 实践和非歧视法存在的局限性，对 AI 从业者和监管者有着重要的启示。

May, 2023

通过对非歧视法的案例进行研究，提出了一种指标条件人口差异（CDD）来衡量机器学习中的公平性，此举可促进机器学习中公平性考虑，并尊重欧盟非歧视法中的情境因素。

May, 2020

机器学习算法应用于如信贷贷款或刑法司法等关乎人类生活方面的情境，其所基于的数据若含有人类偏见决策，则会产生人类偏见决策，拥有公平观念的机器学习是一种解决方案，但是如何实现公平面临着 “多维面” 等难题，要想在不同领域实现公平、公正，算法必须做到数据和开发者审查的透明化，在此基础上不断进行公平审计。

Jan, 2019

本研究旨在通过条件人口失调性 (CDD) 的公平性定义来评估公平度量和公平约束，在欧盟非歧视法律框架下支持公平上下文方法，并进行了数据分析，发现 AI 辅助决策在法律角度上具有公平性，取决于具体情况和法律理由。

Jun, 2023

本文概述了在使用人工智能算法时如何识别、测量和提高算法公正性的主要概念，并讨论了算法偏见和不公正的原因、公正的常见定义和度量以及预处理、处理中和后处理机制，最终回顾了几个新兴的算法公正性研究子领域。

Jan, 2020

该论文提供了针对算法公平性的业务分析的前瞻性评论，首先审查了偏差的来源和度量标准以及偏差缓解算法的最新研究进展，然后详细讨论了效用公平关系，并最终确定了业务学者可以解决和解决的关键挑战，这些挑战对 BA 的有效和负责任的部署至关重要。

Jul, 2022

该文探讨了机器学习中的公平性与准确性的权衡以及该领域中存在的数学假设，认为这些假设可能导致不一致的结论和潜在的不公平性，并提出了解决方案。

Feb, 2021

论文讨论公正机器学习算法的义务，对比不同的公正度量标准及其在道德层面的合理性，分析 Hardt 等人提出的公正机器学习算法引起的道德问题。作者建议需要从综合角度评价公正机器学习算法的策略和效果。

Feb, 2022

本文旨在调查研究自动化决策系统中机器学习算法存在的偏差及其与公平、隐私和分类准确性之间的关系，并综述了处理公平 - 准确性权衡的不同方法。作者通过实验分析了公平度量和准确度在现实世界场景中的关系。

Sep, 2022