1参见，例如，塔利亚·吉利斯（Talia B.L. R EV。 1175-1263（2022）; Pauline T. Kim，工作中的数据驱动歧视，58 W m。 ＆M Ary L. R EV。 857-935（2017）; Pauline T. Kim，《种族吸引算法：公平，非歧视和平权行动》，110 c al。 L. R EV。 1539-96（2022）; Solon Barocas和Andrew D. Selbst，《大数据的不同影响》，104 c al。 L. R EV。 671-732（2016）; Crystal S. Yang＆Will Dobbie，《算法》中的平等保护：一个新的统计和法律框架，119 M ICH。 L. R EV。 291-396（2020）; Aziz Z. Huq，《算法犯罪案例》中的种族平等，68 D Uke L. J. 1043-1134（2019）。 2一般参见Gillis，前注1； Laura Blattner等人，解开黑匣子：调节算法决策（2021），https：//arxiv.org/pdf/2110.03443.pdf。 3 Gillis，前注1，第1185页。 4这些概念包括校准，“积极阶级的平衡”，“负面阶级的平衡”等。 参见Kleinberg等人，《风险评分公平确定，理论计算机科学会议的第8个创新》（ITCS 2017）的固有权衡，以讨论这三个如何彼此不相容，并且通常也与奇偶校验。L. R EV。1175-1263（2022）; Pauline T. Kim，工作中的数据驱动歧视，58 W m。＆M Ary L. R EV。 857-935（2017）; Pauline T. Kim，《种族吸引算法：公平，非歧视和平权行动》，110 c al。 L. R EV。 1539-96（2022）; Solon Barocas和Andrew D. Selbst，《大数据的不同影响》，104 c al。 L. R EV。 671-732（2016）; Crystal S. Yang＆Will Dobbie，《算法》中的平等保护：一个新的统计和法律框架，119 M ICH。 L. R EV。 291-396（2020）; Aziz Z. Huq，《算法犯罪案例》中的种族平等，68 D Uke L. J. 1043-1134（2019）。 2一般参见Gillis，前注1； Laura Blattner等人，解开黑匣子：调节算法决策（2021），https：//arxiv.org/pdf/2110.03443.pdf。 3 Gillis，前注1，第1185页。 4这些概念包括校准，“积极阶级的平衡”，“负面阶级的平衡”等。 参见Kleinberg等人，《风险评分公平确定，理论计算机科学会议的第8个创新》（ITCS 2017）的固有权衡，以讨论这三个如何彼此不相容，并且通常也与奇偶校验。＆M Ary L. R EV。857-935（2017）; Pauline T. Kim，《种族吸引算法：公平，非歧视和平权行动》，110 c al。L. R EV。 1539-96（2022）; Solon Barocas和Andrew D. Selbst，《大数据的不同影响》，104 c al。 L. R EV。 671-732（2016）; Crystal S. Yang＆Will Dobbie，《算法》中的平等保护：一个新的统计和法律框架，119 M ICH。 L. R EV。 291-396（2020）; Aziz Z. Huq，《算法犯罪案例》中的种族平等，68 D Uke L. J. 1043-1134（2019）。 2一般参见Gillis，前注1； Laura Blattner等人，解开黑匣子：调节算法决策（2021），https：//arxiv.org/pdf/2110.03443.pdf。 3 Gillis，前注1，第1185页。 4这些概念包括校准，“积极阶级的平衡”，“负面阶级的平衡”等。 参见Kleinberg等人，《风险评分公平确定，理论计算机科学会议的第8个创新》（ITCS 2017）的固有权衡，以讨论这三个如何彼此不相容，并且通常也与奇偶校验。L. R EV。1539-96（2022）; Solon Barocas和Andrew D. Selbst，《大数据的不同影响》，104 c al。L. R EV。 671-732（2016）; Crystal S. Yang＆Will Dobbie，《算法》中的平等保护：一个新的统计和法律框架，119 M ICH。 L. R EV。 291-396（2020）; Aziz Z. Huq，《算法犯罪案例》中的种族平等，68 D Uke L. J. 1043-1134（2019）。 2一般参见Gillis，前注1； Laura Blattner等人，解开黑匣子：调节算法决策（2021），https：//arxiv.org/pdf/2110.03443.pdf。 3 Gillis，前注1，第1185页。 4这些概念包括校准，“积极阶级的平衡”，“负面阶级的平衡”等。 参见Kleinberg等人，《风险评分公平确定，理论计算机科学会议的第8个创新》（ITCS 2017）的固有权衡，以讨论这三个如何彼此不相容，并且通常也与奇偶校验。L. R EV。671-732（2016）; Crystal S. Yang＆Will Dobbie，《算法》中的平等保护：一个新的统计和法律框架，119 M ICH。L. R EV。 291-396（2020）; Aziz Z. Huq，《算法犯罪案例》中的种族平等，68 D Uke L. J. 1043-1134（2019）。 2一般参见Gillis，前注1； Laura Blattner等人，解开黑匣子：调节算法决策（2021），https：//arxiv.org/pdf/2110.03443.pdf。 3 Gillis，前注1，第1185页。 4这些概念包括校准，“积极阶级的平衡”，“负面阶级的平衡”等。 参见Kleinberg等人，《风险评分公平确定，理论计算机科学会议的第8个创新》（ITCS 2017）的固有权衡，以讨论这三个如何彼此不相容，并且通常也与奇偶校验。L. R EV。291-396（2020）; Aziz Z. Huq，《算法犯罪案例》中的种族平等，68 D Uke L. J.1043-1134（2019）。2一般参见Gillis，前注1； Laura Blattner等人，解开黑匣子：调节算法决策（2021），https：//arxiv.org/pdf/2110.03443.pdf。3 Gillis，前注1，第1185页。4这些概念包括校准，“积极阶级的平衡”，“负面阶级的平衡”等。参见Kleinberg等人，《风险评分公平确定，理论计算机科学会议的第8个创新》（ITCS 2017）的固有权衡，以讨论这三个如何彼此不相容，并且通常也与奇偶校验。