- 深度学习短期犯罪预测中提高公平性的研究
本研究提出了一种新颖的深度学习架构，结合了预处理方法和处理方法来提高预测的公平性，结果表明相比于偏见校正方法和没有任何偏见校正的模型，所提出的模型在提高犯罪预测的公平性方面取得了进步，但牺牲了一定的准确性。
- MAGIC：用于具有偏差校正的可推广模型逆向的模块化自动编码器
受逆向图形学研究的启发，我们采用了将标准自编码器的解码器阶段替换为物理模型加偏差校正层的通用方法，以端到端的方式同时逆向模型并校正其偏差，无需对偏差的性质进行假设，我们使用来自不同领域（遥感中的复杂辐射传输模型和地形测量学中的火山变形模型） - 卷积神经网络中的偏差校正的神经符号框架
通过神经符号框架 NeSyBiCor，我们成功纠正了使用 Places 数据集子类训练的卷积神经网络的偏见，以最小的准确性损失和更好的可解释性，大大减少了最终偏见校正规则集的大小。
- 地球系统模型降水的条件扩散模型用于降尺度与偏差修正
气候变化加剧了如大雨和洪水等极端天气事件。本文提出了一种新的机器学习框架，用于同时进行偏差校正和下尺度处理。通过在观测数据上训练生成性扩散模型，并对观测和地球系统模型数据进行映射，我们的方法能够纠正任何地球系统模型的地理要素，确保了统计质量 - 使用机器学习注意力模型进行时间偏差校正
通过将偏差修正方法（BC）重新构想为概率模型而非算法过程，并使用先进的机器学习（ML）概率注意力模型适应 BC 任务，我们提供了一种新颖的 BC 方法来纠正时间偏差，以产生更可靠的对气候统计的影响研究。
- DSAF：一种用于数值天气预报降尺度的双阶段自适应框架
基于深度学习技术，提出了一种新的适应性框架 (DSAF) 来解决区域天气预报 (NWP) 下缩尺度和偏差校正问题，DSAF 在设计中独特地融入了自适应元素，以确保对不断变化的天气条件作出灵活的响应。实验证明，DSAF 在现有最先进模型的基础 - ICCVZiCo-BC: 一个用于视觉任务的偏差校正零样本 NAS
此研究探讨了零样本神经网络架构搜索方法以及零样本代理度量的效果，发现现有零样本代理度量存在偏差，限制了其广泛应用，并提出一种新的偏差校正方法。通过在多个视觉任务上的实验证明，该方法能够成功搜索到更高准确性且延迟显著更低的架构，适用于三星 G - 未监督分解网络用于磁共振图像的偏差场校正
提出了一种利用无监督分解网络从有偏数据中获取无偏 MR 图像的方法，该方法通过对图像进行分割并估计偏差场来实现偏差校正，并且引入了基于模糊聚类和乘法偏差场的损失函数来提高偏差校正效果。
- 防止演化数据流中的歧视性决策制定
本工作提出了一种用于实时数据流的公平换衡方法 $FS^2$，并设计了一个统一的性能公平度量 FBU，用于评估和比较不同偏差缓解技术之间的效用和公平性之间的平衡。
- AAAI贝宁共和国多水文站缺失河流流量数据插值
本研究通过对贝宁共和国的十个河流测量站进行偏差校正，研究发现弹性网络回归和高斯过程回归的整体偏差校正相对于传统的随机森林、k 近邻和 GESS 记录的插补方法具有更强的技能。这一发现为将全球 GESS 流量数据整合到对极端天气事件脆弱的国家 - 利用深度学习增强数值天气预报进行全球降水短期预测
通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。
- ACL基于理据的人机协同机器学习框架
提出了一种基于人的理由中心框架（RDL）来改善少样本学习场景下模型的超出分布性能，该框架利用其中包含的人类干预与半真实增强等因素来消除偏差，并使模型快速准确地推广到各种场景。
- 基于混合的纠正方法用于反事实学习排序中的位置偏差和信任偏差
提出了一种新的无需基于相关性估计的基于混合分布的校正方法 ——MBC。实验证明，MBC 在某些情况下优于目前最先进的位置和信任偏差校正方法 ——AC，而在其他情况下表现相当。此外，与 AC 相比，MBC 的训练时间效率提高了数个数量级。
- CVPR去偏 VAE 似然度进行稳健的异常值检测
通过研究使用变分自编码器（VAE）进行异常检测的方法，本文提出了新的分析和算法方法来纠正 VAE 似然值中的偏差，并展示了一种用于改进异常检测的先前已知图像预处理技术，最终在九个灰度图像和自然图像数据集上实现了最先进的准确度，同时跑的更快且 - 通过图像风格化实现简单的域泛化
该论文介绍了使用样式化图像来增强数据集中的偏见纠正方法，以达到在不同领域中进行分类的目的。他们提供了一种基于领域内的纯样式化图像的方法，并通过详细的分析证实了该方法的机制，结果超过或与使用更复杂的方法的现有技术相当。
- WWW学习排序系统中的选择偏差校正
该研究考虑推荐系统中的不同偏差对算法性能的影响，提出新的反事实方法以解决位置和选择偏差，实验证明这些方法对噪声更具鲁棒性并具有更高精确度。
- 利用无似然重要性加权的方法校正学习生成模型的偏差
采用似然比未知的情况下可估计的概率分类器进行样本权重优化的无似然比重要加权方法，可以用于校正生成模型中的偏差问题，并提高生成模型的样本质量和性能。
- 大规模增量学习
本文提出并验证了一种纠正新旧类别数据不平衡问题的方法，利用一个线性模型矫正了全连接层的弱分类偏见，在两个大型数据集 ImageNet 和 MS-Celeb-1M 上比现有算法表现更好。