本研究比较了多种公平性增强算法，发现公平性措施对数据集波动敏感，表明公平干预的脆弱性。提出了AdaFair算法，以优化公平性与分类准确性。此外，研究探讨了医学成像模型的公平性评估，提出了公平公正基准（FFB）和OxonFair工具包，旨在提升机器学习中的公平性与性能。