- 优化器的部分排序
我们提出了一个基于多个标准和各种测试函数来评估优化器的基准测试框架，利用一种新近引入的免联盟通用深度函数，充分利用次序信息，允许不可比较性，描述了所有部分次序的分布，避免了聚合的明显缺陷，可以识别产生优化器的核心或异常排名的测试函数，并评估 - 不确定预测下的排序稳定性和多组公平性
我们的研究考虑了排名函数：将分类任务的个别预测映射为排名分布，重点关注对预测扰动的稳定性以及对个体和子群体的公平性。我们展示了最近提出的基于不确定性的排名函数在稳定性方面的表现，并且通过与多准确预测或多校准预测器的成功组合，实现了多组公平性 - ShaRP: 使用 Shapley 值解释排名
基于 Shapley 值的 ShaRP 框架用于解释特征对排序结果的贡献，展示了即使排名算法使用已知和线性的评分函数，特征的权重也不能与其 Shapley 值对应，而是依赖于特征分布和评分特征之间微妙的局部交互。ShaRP 在多个感兴趣的指 - 带有曝光公平性的快速在线排名
本文提出了一种优化随机排名中凸性目标函数的效率高、计算成本少、具有强理论保证，且适用于公平性暴露等所有凸顺滑目标函数的在线算法，可将复杂的曝光公平性标准纳入推荐中。
- 众包多词表达式的相对排名：专家与非专家
本研究探讨专家和非专家在众包实验中对于难易度问题的一致性。我们要求非专家（瑞典语第二语言学习者）以及两组专家（瑞典作为第二 / 外语的教师和欧洲共同语言参考框架（CEFR）专家）在众包实验中对多个单词表达式进行排序。我们发现所得到的三个测试 - KDD公平排名即公平分配：基于影响力的个体公平性排名
本文针对在线市场中排名的公平问题，提出了一种令所有商品都不会嫉妒和劣于其他商品的轮廓分配方式，并通过实证研究说明了这种分配方式控制了单个商品公平性与用户效用之间的权衡。
- WSDM引入 Expohedron 以在重复排名中实现 Pareto 最优公平效用分摊
本文提出了一种称为 expohedron 的多面体，该多面体可以用于在排名中最大化消费者的效用并最小化曝光的生产者的不公平性，并且还提出了一个复杂度为 O (n^2log (n)) 的算法来精确地表达所有目标曝光。
- 通过劳伦茨显著性实现排名的双边公平
本文介绍了一种基于福利经济学理论的公平推荐算法，该算法旨在通过最大化凹的福利函数来生成 Pareto 有效且满足 Lorenz 效率的公平排序，以实现效用再分配，通过实验证明了该算法可以提升较弱群体的收益，同时在总体效益有所减少的情况下成本 - 排名和推荐中的公平性：概述
本文旨在介绍确保排名和推荐中的公平性所使用的定义、模型和方法的工具包，提供有关这一新颖、迅速发展和有影响力的领域的坚实框架，将相关方法并置并强调未来工作的开放挑战和研究路径。
- SIGIR控制动态学习排序中的公平和偏见
该研究探讨了通过引入群组公平性来优化排序算法，以在双面市场被公正的利用，同时保证了理论和实践上的表现。
- 基于多分辨率上下文嵌入网络的无监督词汇多义数量化
本文提出了一种基于上下文嵌入空间中的简单几何形式的新颖方法来评估多义性，该方法是完全无监督和纯数据驱动的，能够较好地反映来自 WordNet、OntoNotes、Oxford 和维基百科等 6 种不同标准度量方法的排名，并能对人工排名之间的 - SIGIR关注公平：在排名中摊销个体公平
该论文提出了一种新的测量和减轻排名偏差的方法，通过减少个体受到的不公平待遇，从而实现排名的公平性，同时维持排名质量。该方法弥补了现有方法在个体和群体公平性检测上的不足。
- KDD排名公平性
该研究提出了一种概念和计算框架，允许确定排名的公平性限制，并发展出高效的算法，以最大化用户效用且确保满足特定的公平概念。
- NIPS基于部分排序的偏好值补全
本文提出了一种协同偏好完成问题的高效算法，涉及在基于有限数量的观测关联值的情况下，针对一组实体在共享的项目集上联合估计个性化排名。该算法利用了一个观察结论，即虽然偏好通常被记为数字分数，但感兴趣的预测量实际上是底层排名，因此，直接拟合底层偏 - NIPS使用成对比较的主动排名
使用少于 $n log_2 n$ 次的自适应选择的成对比较，该算法可特征一系列对象的排序，前提条件是该对象在 $d$ 维欧几里得空间中，其排名反映了相对于 $R^d$ 中的公共参考点的相对距离。