用信息论的视角探讨了联邦学习中与敏感属性（如性别、种族等）相关的公平性权衡问题，通过部分信息分解（PID）的方法确定了三种不公平性的来源，即独特差异、冗余差异和掩盖差异，并在实验证明了这三种差异如何影响全局和本地的公平性，提供了更精细的不公平性来源认知以指导本地差异缓解技术的使用及其在实践中的收敛和效果。

Jul, 2023

我们研究了最优统计公平性解决方案与个别公平性之间的兼容性，并分析了它们之间的冲突以及潜在解决方案。通过放宽前者到 Pareto 边界，我们确定了满足个体公平性要求的 Pareto 边界区域，从而使统计公平的 Pareto 最优性与个体公平性的约束相适应。

Jan, 2024

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。

Oct, 2023

本文研究了分类问题中的公平性和准确性之间的权衡，并提供了任何公平分类器群体误差和任何（近似）公平分类器的联合误差的下限，从公平表示学习角度推广这个结果。

Jun, 2019

本文针对算法公平性和回归模型中的组公平标准，提出了快速近似的独立性、分离性和充分性，用于执行正则化风险最小化，从而实现公平性和准确性的折衷。

Feb, 2020

本文探讨了如何在合理的假设下同时满足公正度量（独立性、分离性、充分性）并 / 或提高这些公正度量，引入了公正度量的信息理论形式，并根据这些形式定义了公正度，进一步探讨了这三个公正度的理论关系。在实验部分，使用信息理论表达式作为规范化器以获得三个标准数据集的公正度规范化预测器。实验结果表明，公正规范化直接增加公正度量，并间接增加其他公正度量，这表明在一定程度上可以同时满足某些公正度量。

Sep, 2021

机器学习在执法、刑事司法、金融、招聘和招生等领域的日益广泛应用，确保机器学习辅助决策的公平性变得越来越关键。本文以统计学的 “平等机会” 概念为基础，研究了公平性和准确性之间的折衷。我们提出了一个新的准确性上限（适用于任何分类器），并将其作为公平预算的函数。此外，我们的上限还与数据、标签和敏感群体属性的底层统计学关系密切相关。通过对三个真实世界数据集（COMPAS、成年人和法学院）进行经验分析，我们验证了我们理论上限的有效性。具体而言，我们将我们的上限与文献中各种现有公平分类器所实现的折衷情况进行了比较。我们的结果表明，在统计差异存在的情况下，实现高准确性条件下的低偏差可能从根本上受到限制。

May, 2024

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

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

本文提出了一种搜索疑似算法不公平因素的算法，不同于以往对于完整信息的处理，这个算法考虑了预测时的部分观测条件以及机器学习模型可能出现的疑似偏见，并引入了概率电路的概念，同时提供了一种基于抽样的方法来更有效地挖掘疑似偏见。

Dec, 2022