本文提出了一种基于知识蒸馏的无监督纹理异常检测方法，通过编码器-解码器设计减轻分类器偏差并防止学生重构异常。实验证明该方法在性能和推理速度方面具有优势。主要贡献是一种鲁棒纹理异常检测器和一个包含各种织物和缺陷的新数据集。

本文研究了在只有保护属性的不完美信息的情况下，公平干预是否仍然可行。研究表明，在属性扰动的情况下，只要符合所确定的条件，即使运行等化几率，分类器的偏差也会降低，而大多数情况下误差不会因保护属性的扰动而受到影响。

该文介绍了一种通过重新加权概率解决基于提示的分类器偏差问题的方法，同时实现了在无监督环境下设置阈值的能力。实验表明，该方法能够显著提升自然语言处理任务的性能。