我们将更新服务，限制应用程序修改非草稿邮件的敏感属性（如主题和正文）。只有具备特定权限的应用才能进行修改，新的限制将于2026年12月31日生效。建议开发者尽快申请更高权限，以确保顺利过渡。

本研究提出了一种新颖的模块，构建公平潜在空间，以解决机器学习模型在公平性与可解释性之间的研究不足。该模块通过解耦和再分配标签及敏感属性，生成反事实解释，验证了其在保障公平性和解释偏见决策方面的有效性。

本研究提出了FairDgcl框架，旨在解决推荐系统中因用户敏感属性（如年龄、性别）引发的不公平性问题。通过动态图对抗性对比学习，FairDgcl显著提高了推荐的公平性和准确性。

本文提出了FairSP框架，用于在机器学习中实现公平分类。该框架通过少量干净的敏感属性纠正嘈杂数据，并模拟校正后的数据，以确保在敏感属性私密时的公平性。研究探讨了贝叶斯分类器在数据限制下的准确性与公平性之间的折衷，并提出通过采样有影响力的数据来优化训练过程的解决方案。实验结果表明，该方法在公平性和实用性方面表现优异。

本文综述差分隐私与算法公平性的关系：差分隐私在基线设置下可能扩大组间性能差异，在鲁棒设置下则可缩小差异，因其具有正则化效应。研究还涉及数据不平衡、隐私保证、对抗性公平分类、公平性的隐私成本，以及DP-SGD与目标扰动机制的比较，并探讨敏感属性受限时的公平学习算法及隐私、公平与效用间的权衡。