#公平性

一篇偏理论的论文：不用改模型内部，只在输出端做后处理就能让性别、种族等属性分布对齐目标，还证明了查询次数最优，做公平性或合成数据的可以看看。

想搞懂链接预测公平性指标怎么选？这篇复现研究告诉你Δ_DP会漏掉排名里的偏见，NDKL和MORAL才是真能打的。

这篇论文把因果感知从理论变成了能跑的算法，在德国信用数据集上验证了不同模型对公平性判断的影响，值得搞公平性研究的人看看。

如果你是搞生成模型评测的，这篇论文指出了公平性评估里常被忽略的问题：该拿什么目标分布去比。它给了个框架，还附了AP-Bench的具体数值。

KAISEN把公平性审计拆成五个阶段，用合成数据测出哪个环节会失效。阈值优化靠谱，但Platt缩放和机制诊断有坑。

这篇论文用协方差方法解决了子组公平聚类的计算难题，COVA-FC比现有方法更快更稳定，做公平聚类研究可以看看。

这篇论文用多轴Max@K强化学习，让T2I模型生成更公平多样的人像，公平分提升0.23-0.36，不牺牲质量。

NAILS不用重训练就能让推荐结果更符合公平、多样性的规范，而且几乎不牺牲用户参与度，很实用。

这篇论文想办法解决交叉群体数据少导致的模型歧视，搞了个框架能平衡公平和成本，还告诉你修改多少数据能换多少公平。

这篇论文提出了在MORL中兼顾最优和公平的新方法，用GGF和三种算法生成多样化的公平策略，比传统单策略方法更灵活。

做语音安全或深度伪造检测的研究者会发现，现有数据集的公平性和泛化性评估可能建立在脆弱基础上——这篇审计直接点出了数据层面的系统性漏洞，值得在选数据集或写论文时参考。

联邦学习团队终于有了一个能动态衡量客户端贡献的方法——FedTSV解决了固定权重带来的不公平和训练不稳定问题，做分布式模型训练的开发者可以直接参考实验效果。