本研究构建了一个包含108,501张人脸图像的种族平衡数据集，提出了一种无监督的公平得分归一化方法，以减少面部识别中的偏见并提升性能。分析了人脸质量评估与识别偏见的相关性，探讨了面部属性对识别系统的影响。研究指出数据集的偏见影响识别准确性，并提出了公平指标以量化偏见，强调需要更具偏差意识的工具包来创建平衡评估数据集。

该研究关注面部情绪识别模型的公正性问题。通过对多样种族分布的训练集进行子采样，研究发现伪造面孔可以提高公正性和性能指标。然而，在具有更多面部变化的较大数据集中，公正性指标通常保持不变，这表明仅仅种族平衡是无法实现测试性能的平等的。