研究注入数据偏差对公平分类器的影响，证明重新加权损失可以恢复原始数据分布上的贝叶斯最优组感知公平分类器。实验发现，重新加权和指数梯度等简单公平技术在训练数据注入偏差时提供稳定的准确度和公平性保证。

该研究提出了一种基于重新加权的主动学习策略，用于解决命名实体识别中数据不平衡和学习信号不足的问题。实验结果表明，该策略与已有的获取函数相结合可以显著提高性能。