通过对执行预测的稳定解的公平性进行研究，我们发现在模型依赖的分布变化情况下，现有的公平机制可能会引发严重的极化效应和组内损失差异，并提出了一种能够同时实现稳定和公平的新的公平干预机制。

Jun, 2024

文章探讨了预测可能影响其预测目标的可执行性预测，并提出了一种风险最小化框架，引入了统计学、博弈论和因果性的概念，并给出了最小化损失的稳定点的必要和充分条件。在全面性上，表现性预测严格包含战略分类设置，并给出了克服战略反馈效应的重新培训的首个充分条件。

Feb, 2020

研究人员扩展了实现预测并加入分布式鲁棒性目标，以解决正式的公平标准存在的四个严重缺陷。

Jul, 2022

该研究提出一种分类法，以表征数据中的偏差，并研究了表现预测中的两种典型偏差：分布偏移和选择性标签对性能和公平性的危害，通过真实案例研究了欺诈检测中的不公平问题。

Jun, 2022

本文提出了一个理论框架，建模了目标人群对已部署分类器的响应，同时研究了基于重复风险最小化和一种更懒惰的方法的两个重新训练算法的收敛性，能够更好的控制已部署分类器的影响，同时探讨了不同人群获取信息和资源的差异对已部署分类器的响应影响。

Nov, 2020

社会世界中的预测通常会影响预测的目标，这称为表现性，而表现性预测又可分为自我实现和自我否定的预测。在机器学习的发展中，表现性这个概念在经济学、金融学和社会科学中具有基本重要性，但在机器学习应用中往往表现为分布转移。我们对最近建立的表现性预测领域进行了调查，提供了定义和概念框架，以研究机器学习中的表现性。表现性预测的一个结果是自然均衡概念的出现，从而产生了新的优化挑战。另一个结果是学习和操纵之间的区别，这是表现性预测中发挥作用的两种机制。操纵的概念与数字市场中的权力问题密切相关。我们审查了表现性权力的概念，给出了这样一个答案：一个平台通过其预测有多大程度上能够操纵参与者。最后，我们讨论了未来的方向，比如表现性对抗算法系统中的作用。

Oct, 2023

该研究提出了一种算法公平的努力程度量度标准，并提出了一种数据驱动框架，用于表征算法政策对重塑基础人口的长期影响。

Mar, 2019

本文探讨了 performative prediction 的问题，基于特定的损失函数和模型诱导的分布位移性质进行优化，从而实现风险凸优化，并且比通用导数优化方法具有更好的样本效率。

Feb, 2021

对于受到不等式约束的可行预测问题，本文在鲁棒的原始对偶框架基础上提出了一种自适应的原始对偶算法，通过数值模拟验证了算法的有效性和理论结果，该算法在不等式约束下达到 O (√T) 的后悔与约束违规，使用了√T + 2T 个样本。

Sep, 2023

该研究探讨了使用机器学习指导临床决策可能加剧现有的健康差距问题的潜力，并分析了算法公平的适用性、技术限制以及与机器学习在医疗保健中使用相关的社会技术背景。研究结果表明，在对各组之间的预测分布差异进行惩罚的情况下，几乎所有团体内的多项绩效指标都会降低，并且算法公平性方法在消除健康差距方面仍存在许多有待解决的问题。

Jul, 2020