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。

本研究针对推荐系统中的流行偏见问题，提出通过优化嵌入空间学习来识别和调整人口统计偏见，从而使长尾项目的平均排名降低27%，提升了公平性与包容性。

本研究提出了一种基于临床知识的尿路感染风险估计框架，利用可解释的AI技术进行风险分类，揭示不同风险组的临床和人口统计差异，为临床决策提供AI驱动的见解。

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。

本研究通过简单人口数据结合流动性和收入信息，提升区域嵌入的质量，提高城市任务预测的准确性，如签到、犯罪率和房价预测。特别是在发展中国家，地理接近性与收入结合为区域嵌入预训练提供了有效替代方案。

研究发现，大型语言模型在文化一致性方面表现出更高的一致性，特别是在使用特定文化的语言提示和多语言混合体系进行预训练时。研究还提出了利用人类学推理增强文化一致性的方法。这项研究强调了平衡的多语言预训练数据集对于更好地代表人类经验多样性和跨语言传递的影响的必要性。

自然语言处理在社会技术解决方案中的应用需求增加，但仍存在偏见研究的挑战。本文提出了一种跨学科的方式来理解NLP中的偏见，并探索了NLP中的特定偏见方面。

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。