该论文提出了一种简单且有效的无监督去偏差技术，该方法利用聚类算法在特征嵌入空间识别伪属性，然后采用一种新颖的聚类加权重新调整方案来学习去偏置表示，以防止少数群体被忽视并达到最坏情况下的概括，实验证明其在多个标准基准测试数据集上具有出色的表现，甚至达到了有监督对照组的竞争精度。

Aug, 2021

本研究提出了一种基于特征级数据增广技术的去偏方法，通过使培训数据多样化，可以更有效地消除图像分类模型中偏见的影响。

Jul, 2021

本文提出了一种基于代理属性与敏感属性的公平性框架，通过梯度解释找到模型关注点，再利用它们来指导下游任务模型的训练，以实现公平性和效用之间的平衡。实验证明，我们的框架在非分离和分离表示学习方法上具有更好的公平性 - 精度平衡。

May, 2023

利用信息论的有关发现，我们提出了一种新的端到端优化策略，该策略同时估计和最小化学习表示和数据属性之间的互信息，通过这种策略，我们的模型在标准基准测试中表现出与最先进的方法相当或优越的分类性能，此方法可应用于问题的 “算法公平性”，并得到了竞争性的结果。

Mar, 2020

本研究针对目标属性识别的组合式零样本学习问题，提出了一种新颖的体系结构，用于在视觉空间中区分属性和对象特征并使用视觉分解特征产生代表性的嵌入，旨在更好地正则化模型的学习，实验结果表明我们的方法在 MIT-States，UT-Zappos 和基于 VAW 的新基准上的性能显著优于现有工作。

May, 2022

通过使用 BiLSTM 与注意力分类器限制了基础模型并专注于如何在嵌入、编码、注意力和分类器四个方面注入属性，将属性表示为块状重要性权重矩阵，并通过实验表明，我们的方法在标准方法之上取得了显著的改进，并且在注入属性方面，注意机制是最差的位置之一，同时我们也在超越最先进的方法，证明这个表示也对其他任务具有通用性。

Aug, 2019

本文介绍了一种使用 GAN 生成图像并在潜在空间中扰动以生成可以平衡每个受保护属性的训练数据的方法，以缓解由相关性所引起的偏差，通过在原始数据集上增加扰动生成的数据，实证证明训练结果准确且具有许多定量和定性上的优势。在 CelebA 数据集上进行了全面评估和分析，与现有文献进行了比较。

Dec, 2020

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

本文介绍了一种自监督去偏置的框架，可以有效地去除神经网络中的伪相关性对泛化能力的影响，并提高自监督学习的性能。

Oct, 2022

通过双模态增强方法在视觉 - 语言数据集中解决报告偏倚问题，提升物体 - 属性理解并改善零样本检索任务效果。

Oct, 2023