数据增强最后一层训练方法的理论保证

通过配对混合的数据增广方法改善组间公平性和分类性能，特别是针对少数群体的社会偏见问题。

使用凸优化方法控制所有子人群的最坏情况表现，提高模型的泛化能力。

新颖的深度学习训练技术如广义模型无关课程学习和级联加和增强方法，提高训练效率和模型稳健性。

通过选择性的最后一层微调（SELF），使用误分类数据构建重新加权数据集，显著提高最差群组的准确性，无需额外的数据或注释。

研究发现最差群组准确率数据集中存在重大不平衡，比较了最先进的方法与简单的数据平衡基线，结果显示后者训练速度更快且准确性达到了最先进水平。

提出基于最大期望损失的加权数据增强方法，通过加权不同的增强样本，提高模型的泛化能力。

研究对抗训练的过拟合问题，利用数据增强和生成模型增加训练集大小，提高对抗鲁棒性。

提出通过特征空间增强欠表示类别的方法，解决长尾分布问题，展现了在多个数据集上的最先进表现水平。

BAM算法通过扩大偏差和在重新加权数据集上继续训练，取得了竞争性的性能，消除对群组注释的需求。