U - 可信模型：决策中的可靠性、能力和信心

本研究提出了一种平衡公平性和实用性的机器学习分类任务的解决方案，通过利用贝叶斯学习估计样本预测的不确定性，并通过不确定性量化来定义新型的公平性 - 效用目标，实现同时优化公平性和实用性。实证研究发现，低不确定性的样本比高不确定性的样本更准确、更公平。实验结果表明，该方法在公平性和实用性平衡方面表现优异，并有望在机器学习中实现最佳公平性和实用性。