本文研究了生成对抗平衡网络（GCFN）在反事实公平性下的预测方法，提出了新框架CLAIRE，通过反事实数据增广和不变化惩罚来减轻敏感属性偏差。研究表明，该方法在多种数据集上表现优越，有效避免机器学习中的不公正决策。