给招聘模型加上公平要求，就像要求各群体的平均得分尽量接近。但模型给出的“公平差距”并不是精确答案：换一批数据，结果也会变。Enze Shi 等人的这项工作，处理的正是这种统计不确定性，而且面向数据持续到来的场景。
难点在于，模型和公平惩罚都从同一条数据流中学习。一条记录不仅影响当下的模型更新，还会进入之后多轮公平惩罚的计算。作者发现，这种反复使用会留下不可忽略的波动；若把公平约束当成固定不变，置信区间——用一段范围表示抽样误差——就可能失准。论文因此把模型本身、公平约束及两者关联造成的波动一并纳入计算，并设计了无需保存全部历史数据的固定内存更新方法，为受公平正则约束的模型系数给出渐近有效的置信区间。
这项工作的边界也很重要：它约束的是各群体的平均决策分数，属于人口统计均等的可计算替代指标；平均分更接近，并不保证最终跨过分类门槛、获得正面决定的比例也更接近。