本文综述了高科技医疗领域中人工智能（AI）系统的算法公正性问题，指出算法偏见导致医疗不平等，并探讨新兴技术在解决这些问题中的作用。强调群体公平的重要性，提出可操作的策略以确保AI在医疗中的道德性和上下文相关性，呼吁跨学科合作应对AI公平性挑战。

本文探讨了表现性预测在社会分类中的应用，提出了一种分类法以解决数据偏差和群体公平问题。研究分析了表现性预测的影响，强调了自我实现与自我否定的机制，并提出了稳定分类器的执行预测框架，以优化风险和提高样本效率。

该文综述机器学习中概率预测的校准问题，涵盖决策校准、多类别分类校准评估与测试、类别自适应标签平滑、拒绝机制、基于Transformer的KNN校准、群体公平多校准及高斯过程置信度调整等方法，并在皮肤病和ImageNet分类任务中验证有效性。

本文综述因果公平研究，探讨反事实公平、鲁棒预测与群体公平的等价关系，主张用简单群体指标检验反事实公平。文章梳理可辨识性与潜在结果框架，按因果推理难度对公平概念排序，提出兼顾预测分布与专家知识的扩展人口平等度量，揭示去偏见模型的不公平行为，指出因果公平定义的帕累托局限，并讨论医疗、法律等场景的公平建模。

该文介绍了一个群体公平的联邦学习框架，使用平均条件概率计算跨领域群体重要性权重，并使用修改的乘法权重更新方法来优化表现最差的群体的性能。正则化技术被提出来最小化最差和最好表现群体之间的差异，并通过阈值机制确保在减少偏见和群体表现下降之间取得平衡。该框架在人类情绪识别和图像分类基准上进行了评估。

该文提出了一个群体公平的联邦学习框架，旨在减少群体偏见。作者使用平均条件概率计算跨领域群体重要性权重，并使用修改的乘法权重更新方法来优化表现最差的群体的性能。作者还提出了正则化技术来最小化最差和最好表现群体之间的差异，并通过阈值机制确保在减少偏见和群体表现下降之间取得平衡。作者对人类情绪识别和图像分类基准进行了评估，以评估该框架在实际异构环境中的公平决策能力。