本研究提出了FairHOME，一种新颖的集成方法，旨在解决机器学习软件在多重保护属性定义的子群体间实现交叉公平性的问题。实验结果显示，FairHOME的交叉公平性平均提高了47.5%。

本文提出了一种新的α交叉公平框架，旨在解决机器学习中的交叉性公平性问题，特别是针对少数群体的偏见。研究引入了新的公平度量和数据增强策略，通过后处理确保分类器在准确性与公平性之间的平衡。实验结果表明，该框架在多个数据集上有效提升了分类性能和公平性。