本文提出了一种名为 FairGAN 的公平性生成对抗网络，旨在生成既不带偏见又具有较好数据实用性的数据。与基本的公平数据生成模型相比，FairGAN 还确保了对生成数据进行分类的分类器可以在真实数据上实现公平分类。
May, 2018
本文分析并强调 GAN 模型的公平性问题，提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案，避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。
Mar, 2021
本研究旨在建立使用合成数据训练的模型在偏见和公平之间的权衡，并研究了合成数据生成技术的变体，包括差分隐私生成方案，通过实验表明，合成数据训练的模型存在不同程度的偏差影响，且生成的特征不相关的技术表现良好。该研究有助于数据科学实践者理解合成数据的使用中的偏见。
May, 2021
通过包括公平性考虑和利用生成对抗网络等先进技术，我们提出了一种新颖且专业的方法来解决医疗领域合成数据生成的局限性，为医疗应用中更可靠和无偏的预测铺平了道路。
Apr, 2024
该研究使用生成对抗网络 (GANs) 生成面孔，发现在生成图像的过程中，训练数据中的偏见被放大。为了解决这个问题，提出了一种可解释的基准方法来平衡产生的面部属性，从而产生更平衡的数据。同时，该方法具有泛化能力来处理多个属性以及细分组的样本合成，进而用于量化商业人脸属性分类器和人脸超分辨率算法中的偏见。
Dec, 2020
该研究提出一种快速、公平、灵活和私密的数据生成方法，通过理论和实验证明，使用该方法生成的数据训练的模型可以在真实应用场景中（推理阶段）表现良好。
Jun, 2023
使用深度生成模型生成平衡数据，并提出的偏差缓解损失函数能够在非平衡数据集上改善公平性指标，同时保持图像质量。
Aug, 2023
本文深入分析了使用不同比例的真实数据和合成数据来训练计算机视觉模型对模型鲁棒性和预测质量的影响，证明使用生成对抗网络生成高质量合成数据可以减轻深度学习模型面临的挑战。
Mar, 2023
机器学习与图形处理近年来受到越来越多的关注，因其能够分析和学习关键的互连系统内的复杂关系。然而，这些算法中使用的有偏图结构带来的不平等影响引发了在实际决策系统中部署的重要关注。此外，尽管合成图形生成对于隐私和可扩展性考虑至关重要，但生成式学习算法对结构偏差的影响尚未得到研究。基于这一动机，本研究侧重于实际和合成图形的结构偏差分析和缓解。具体而言，我们首先理论分析导致对二元关系预测不平等的结构偏差的来源。为了减轻已确定的偏见因素，我们设计了一种新颖的公平正则化器，具有多种用途。针对本研究揭示的图形生成模型中的偏见放大问题，我们进一步提出了一个公平图形生成框架 FairWire，通过在生成模型中利用我们的公平正则化器设计。对真实世界网络的实验结果验证了本文提出的工具在实际和合成图形的结构偏差缓解中的有效性。
Feb, 2024
该论文提出了使用生成对抗网络生成综合数据集的新方法，并针对数据集的质量、多样性等问题提出了三种后处理技术，并引入了 GAP Filler 方法进行协调和优化，有效地提高了数据集在真实环境下的分类精度。
May, 2023