本研究探讨了维基数据知识表示中的社会偏见，特别是在链接预测任务中对少数群体的影响。提出的AuditLP框架利用公平性指标识别性别和年龄偏见，发现偏见结果与全球北方和南方的社会经济文化分区相关。

本研究提出FairFGL框架，旨在改善联邦图学习中少数群体节点的表现。通过图挖掘与协作学习，FairFGL提升了少数类节点的表示，缓解了拓扑偏差。实验结果显示，该框架在八个基准测试中，宏观F1得分提高了22.62%。

蚂蚁与人大团队推出AlignXpert个性化对齐大模型，能精准识别用户偏好，并开源130万用户画像数据集。该模型通过上下文对齐和偏好桥接对齐两种方法，提升用户偏好预测准确率17.06%。研究强调个性化对齐的重要性，旨在解决大模型对少数群体声音的忽视问题。

本文探讨了大语言模型反学习中少数群体隐私风险被低估的问题，提出了新的评估框架，指出现有方法的缺陷，并通过实验验证了少数群体面临至少20%的隐私泄露风险，为公平评估提供了基础。

该研究通过结合传统数据增强和生成语言模型，解决了仇恨言论检测中数据集不足和忽视少数群体的问题，提升了特定仇恨类别的分类性能，促进了更公平的检测系统。

本文提出了一种新的α交叉公平框架，旨在解决机器学习中的交叉性公平性问题，特别是针对少数群体的偏见。研究引入了新的公平度量和数据增强策略，通过后处理确保分类器在准确性与公平性之间的平衡。实验结果表明，该框架在多个数据集上有效提升了分类性能和公平性。

本文探讨了通过数据增广和优化方法改善深度学习模型的公平性和分类性能，特别是针对少数群体的偏见问题。研究表明，使用加权数据增强和选择性微调可以显著提高模型在不同子人群中的表现，且无需额外数据或注释。这些方法在多个基准测试中达到了最先进的准确性和训练效率。

本文探讨了文本到图像生成模型中的社会偏见，提出了三种评估方法，并分析了模型对少数群体的影响。研究发现存在严重的职业和地理偏见，尽管详细提示可以部分缓解，但无法完全解决。此外，研究评估了模型的鲁棒性和对抗攻击，并提出了改进方法以应对安全问题。

心理压力检测在少数群体中有效性差，建议使用融入情感的模型改善。多任务心理压力模型在少数群体中表现优于最先进技术，无需直接在少数群体数据上训练。情感融入模型提高了压力模型在少数群体中的性能，建议在其他心理健康检测任务中融入情感。

本研究提出了3S Testing框架，通过生成合成测试集和模拟分布偏移来评估模型性能。实验证明，该框架在估计少数群体和可能的分布偏移方面优于传统基准。结果引发了一个问题，是否需要从真实测试数据转向合成测试数据的新方法。

本文探讨了社交网络数据驱动和理论支持的复杂模型在理解社会不平等和边缘化方面的潜力，重点关注网络和算法引起的不平等问题和对少数群体的影响。文章最后指出了该领域面临的挑战和机遇。