机器学习中的长期公平性询问与追求：综述

机器学习系统在日常生活中广泛集成，尤其是在高风险领域，这引发了关于公平性影响的关注。虽然先前的工作研究了静态公平性度量，但近期研究表明，自动决策具有长期影响，且即插式公平性方法可能无法实现长期公平性。此外，反馈环路以及模型与环境之间的相互作用引入了额外的复杂性，可能偏离最初的公平性目标。在本综述中，我们从不同角度审视了关于长期公平性的现有文献，提出了长期公平性研究的分类框架。我们概述了关键挑战，考虑未来的研究方向，分析当前问题及潜在的进一步探索。