本研究探讨了12种偏差缓解方法在公平机器学习中的应用，特别是在信贷评分中。研究指出实现公平与保持准确性和利润之间的矛盾，并提出了新的公平性度量标准和技术，强调了公平性处理器的有效性。此外，开发了Python库FairBench以探索潜在偏见问题，建议进一步研究以标准化机器学习模型的公正性。

本研究探讨了机器学习模型中的偏见和不公平，并提出了减弱算法不公平和偏差的方法、公平性度量和支持工具。通过文献综述，发现了40篇相关文章。结果表明，可以通过明确的度量标准来检测和减轻ML技术中的偏见和不公平。建议进一步研究以定义适用于不同情况的技术和指标，以确保机器学习模型的公正性。

本文提出了一种基于Wasserstein距离的公平性度量方法，适用于连续计分。该方法具有解释性，可量化和解释群组差异强度，并比较不同模型、数据集或时间点之间的偏差。实验证实了这些度量在公平性基准数据集上的有效性。