通过使用基于机器学习的正交方法，对隐私保护属性进行维度约减和正交化处理，从而实现对疾病诊断中隐私保护属性的影响的分析、减少不希望的属性关联，并提高模型预测性能。

Nov, 2023

介绍了一种新的数据预处理算法 Orthogonal to Bias (OB)，旨在消除连续敏感变量的影响，从而实现机器学习应用中的反事实公平性，并通过模拟和实际数据集的实证评估证明该方法能够在不损害准确性的情况下实现更加公平的结果。

Mar, 2024

本文通过引入一种新的方法 IGBP，提出了一种在自然语言处理模型中去除非线性编码概念的方案，实验结果表明，该方法可以有效缓解社会偏见，并对下游任务的准确性没有太大的影响。

May, 2023

本研究提出了一种针对监督学习中指定敏感属性的歧视判据，结合 FICO 信用评分案例研究来说明该判据是如何通过调整学习预测器的方式达到消除歧视的目的。同时，本文研究了基于被遗忘的测试方式定义和识别偏见的固有限制。

Oct, 2016

本文提出了一种审核黑盒模型的技术，旨在研究现有模型利用特定数据集中的哪些特征，即使在直接审查模型时该特征并未被引用，我们仍然可以找到其属性的影响。该方法不需要重新训练黑盒模型。

Feb, 2016

本文提出了通过从可允许的训练数据中去除保护变量的所有信息来消除预测模型偏见的方法，并将其应用于罪犯记录的数据集以产生种族中立的再逮捕预测方案，证明了将种族作为协变量省略的方式仍导致存在种族差异，并且证明了应用我们提出的方法可以将这些数据中的种族差异从预测中去除，并对预测准确性的影响最小。

Oct, 2016

该研究表明，在跨项目的分布设置中，神经编码模型对特定于项目的令牌的依赖性导致了它的局限性，并提出了 Batch Partition Regularization 机制来解决这个问题。

Jan, 2022

通过建模特征交互来检测相关属性以减轻偏见影响的无假设框架，大大减轻了机器学习模型中针对特定人群的歧视和不公平预测行为。

Jul, 2023

通过在生成模型的潜在空间中使用超平面来发现图像分类器的未知偏差属性，以及我们提出了一个新的变差损失函数和新的正交化惩罚作为约束条件，通过实验评估证明该方法的可行性和有效性，用于在不同领域中检测图像有偏属性的普适性。

Apr, 2021

本文主要研究了图中预测任务的算法公正问题，提出了一种嵌入不可知的修复过程以实现组内和个体的公正权衡，并在实验中验证了该方法对不同公正概念和预测准确性的显式控制能力。

Oct, 2020