本研究提出了一种新的公平性准则——极端反事实歧视（ECD），用于评估基于受保护群体的最坏情况不平等。研究表明，现有的偏见缓解措施在某些情况下可能加重歧视，而ECD缓解器在90%的情况下改善了极端情况下的公平性。

本研究探讨了替代数据在信贷核保中可能引发的偏见，特别是对受保护群体的影响。通过结合因果推断与监督机器学习，提出了一种新方法，旨在消除这些偏见，提高不同种族群体的模型准确性，确保无歧视。

图神经网络（GNNs）在预测属性图中节点标签的关键人类应用中越来越常见。研究者提出了两种新的干预方法，通过减少受保护群体和非受保护群体之间的可分性以及基于黑盒策略更新模型预测来最小化人口群体之间的误差率差异。实验结果表明，这些干预方法提供了细粒度的控制，并在正确预测受保护群体节点的正向结果时提高了模型的置信度。

研究者开发了贝叶斯最优公平分类方法，以在给定公平约束条件下最小化分类错误。他们介绍了线性和双线性差异度量的概念，并证明了几种流行的差异度量都是双线性的。他们还设计了在双线性差异约束下学习公平贝叶斯最优分类器的方法。实验证明，该方法比现有算法更可取。