该文综述隐私保护下的机器学习公平性研究，提出在敏感属性受限或缺失时降低偏见的多种算法，兼顾差分隐私、均等几率与准确性，并探讨公平、隐私与可解释性之间的权衡。

本文综述机器学习公平性研究，涵盖利用贝叶斯学习量化不确定性以平衡公平与效用、后期处理在教育与司法等领域提升公平性且不损准确性，以及随机多目标优化、因果贝叶斯网络、在线bootstrap等方法在权衡准确度与公平性的同时支持隐私保护与公平认证。

该文综述机器学习中准确性与公平性的权衡研究，涵盖Pareto前沿、Chebyshev标量化、随机多目标优化及公平干预等方法，并探讨教育、司法等领域的应用与运行时监测技术。