公正岗位：一个用于在线系统公平性的现实世界数据集

本文探讨了公平感知机器学习中的真实世界数据集，使用贝叶斯网络分析数据特征之间的关系。

研究了在线个性化设置中排名的公平性问题，提出基于正则化的方法来缓解机器学习中的偏差。

提出了一种基于概率映射用户记录的方法，旨在实现算法决策的个体公平性，并在现实世界数据集上取得显著改善。

建立了评估和降低个人排名算法偏差的框架，通过在线 A/B 测试实现公平性标准与商业指标的协调。

研究了如何通过数据增强提高协同过滤推荐的公平性，测试结果表明该方法有效。

提出了一种全面的评估方法，旨在促进更公平的人脸识别和验证，发现性能差距仍然存在。

提供了乘用侧公平在推荐系统中的研究概览，提出基于高级公平解释的新型分类方法。

研究了基于概率编程语言的混合公平意识推荐系统，实验结果显示其推荐准确性和公平性优于现有系统。

探讨了推荐系统中的不公平问题，提出使用重新排序的方法来减轻活跃用户与非活跃用户之间的质量偏差。

研究了用户公平性的概念，发现仅追求多样性的推荐可能导致用户间的不公平现象。