该研究解决了医疗图像分析中联合学习在处理非独立同分布数据时的性能下降问题，尤其是儿童数据的独特挑战。通过利用通用自监督图像表示，该研究发现联合学习配合自监督权重显著提高了儿科病例及大部分成人数据集的分类效果，证实了自监督学习在临床联合学习中的应用潜力，有望改善患者结果并推动儿科医疗的发展。

本研究分析了视觉语言模型在上下文学习中不同人口统计子群体的表现差异，指出模型预测受疾病基础发生率的影响，并提供了最佳使用实践的建议。

本研究解决了ICD编码中因人口统计因素和专家偏见造成的标签不平衡和虚假相关问题。提出了一种名为DECI的新方法，通过因果推断模型以三条不同路径进行预测，从而减少这些偏见。实验结果表明，DECI在准确无偏的ICD编码方面优于现有先进模型，具有显著进步。

本研究探讨手语技术中的偏见问题，分析ASL Citizen数据集的参与者人口统计和词汇特征。结果显示，多种技术能有效减少偏见且不影响准确性，并发布了参与者人口统计信息以支持未来研究。

本文介绍了多种城市区域表示学习模型，如Urban2Vec、MGFN、Region2Vec、ROMER和HAFusion。这些模型通过街景图像、人类移动数据和多模态信息，提升了社区嵌入和预测任务的性能，尤其在犯罪预测和区域分析中表现优异。研究表明，这些模型在真实数据集上优于现有技术，具备良好的可解释性和泛化能力。

本文探讨了大型语言模型（LLM）在文化符号生成和社会偏见识别方面的表现，发现LLM在不同文化生成中存在不平衡，社会人口背景显著影响模型输出。通过评估多种提示策略，提出了改进模型文化一致性和减少偏见的方法，强调多语言预训练数据集的重要性。

本文研究了生成模型在面部图像生成中的有效性与不足，提出了审核框架，发现生成面部图像存在忠实度和人口统计不平衡等限制。通过多种模型和方法，提升了面部识别系统的性能和多样性，并提出了新的去偏方法，增强了生成图像的质量和功能。

本研究提出了一种去偏见的方法，通过辅助模型检测偏见数据并降低其权重，以缓解社交媒体上的仇恨言论。实验结果表明，该方法在偏差检测和控制方面优于传统技术。同时，研究还探讨了人口统计偏差对自然语言处理模型的影响，并提出了基于数据集平衡的公正性方法，以减少偏差。

我们提出了一种新方法，使用生成式语言模型从文本集合中挖掘意见。该方法能够学习和转移意见，并扩大发现意见洞察的用途。

本文综述了骨架姿态估计和步态分析的优势、数据集、评估方法、挑战和应用方法，并提出了性能分析、研究空白、应用领域和未来贡献的建议。深度学习在人体姿态估计和步态识别方面有积极作用。

通过使用合成数据来缓解影响面部识别技术的人口偏见的可能性进行了研究。

本文提出了一种在医学图像诊断中实现公平预测的方法，通过增强模型特征和规范特征的纠缠关系来提高公平性和准确性。实验结果表明，该方法能够提高分类的公平性。

提出了 DSAP（Demographic Similarity from Auxiliary Profiles）方法，用于比较和量化数据集中的人口构成，可应用于检测和表征数据集中的人口盲点和偏见问题、测量单个数据集中的人口偏见以及测量部署场景中的数据集人口变化。

本文分析了人脸识别系统中存在的交叉偏见问题，特别关注了种族、年龄和性别组合方面的性能差异。通过引入五个补充指标，研究结果表明人脸识别系统存在普遍偏见，不同的人口统计因素导致显著不同的结果。本文旨在促进进一步研究，以开发更公正、更公平的人脸识别和验证系统。