该文综述地理空间机器学习中的公平与偏差问题，包括贫困地图的城乡不平等与系统性误差、数据分布偏移对预测和公平的影响、图像分类模型的地理偏差及数据集偏欧美、文本分类器跨地区泛化差；研究提出KD树、卷积网络等方法提升公平性与精度，并强调部署前需进行误差与偏差分析。

本文综述无监督模型评估与集成学习研究，提出结合集成与自训练的框架，以应对数据分布偏移下的性能下降及无监督准确度估计与错误检测，在59项任务中表现最优；其他方法包括无需标签估计多分类器联合能力、利用小规模未标记数据改进深度集成校准、PU学习同时估计类先验与分类器、基于逻辑约束与谱方法的无标签准确度估计、差分隐私全局分类器构建、含噪二分类数据流的代数评估、无标签泛化界限及生成模型自动标注。