FairRR：通过随机响应进行群体公平的预处理

本文研究了三种流行的公平性预处理算法，并探讨了将它们组合成更加健壮的预处理集成的潜力。

提出了针对群体公平性的后处理缓解技术，通过调整基础模型的决策阈值以提高公平性。

后处理方法具有许多优势，如不需要访问模型训练流程，对基础模型架构没有偏好，计算成本较低。

提出了一个通用框架，将带有惩罚目标的内部处理方法转化为后处理过程，以克服先前后处理方法的缺点。

引入相关性偏移的概念，通过优化问题调整数据比率，以提高数据处理算法的准确性和公平性。

通过数千次模型评估，发现公平性-准确性Pareto前沿线包含了所有现有的其他改进方法。

总结了机器学习中的社会偏见和公平性问题，提供了多种方法和开源库。

在多分类情况下扩展了基于后处理方法的公平性实现，并评估了公平性权衡。

研究历史偏见对数据集的影响，提出使用样本重新加权来调整公平度量标准。

提出了一种基于主动框架的公平分类方法，证明了其优于基于随机化的分类器。

提出了名为FairReprogram的通用公平学习范式，旨在消除人口统计偏差问题。