本研究旨在解决敏感应用中预测模型的公平性与准确性平衡问题。通过评估预测结果的公平性，并通过数据收集解决不公平性。通过分解成本基准的歧视度量为偏差、方差和噪音，并提出旨在估计和减少每个术语的行动。以收入、死亡率和审查等领域的预测为案例研究，确认了这种分析方法的价值，并发现数据收集通常是减少歧视而不牺牲准确性的手段。

本文提出了一种凸二元框架用于优化神经网络，解决了敏感应用中的非凸和不透明性质的问题。该凸对偶网络通过凸优化器获得最优训练，同时有利于训练和预测的解释。实验结果表明，该凸对偶网络在MNIST和fastMRI数据集上有效。