近年来，算法偏见已成为机器学习领域的重要研究课题。由于训练数据不平衡等因素，机器学习模型可能对不同用户群体产生差异化结果。在某人工智能伦理会议（AIES）上，研究人员展示了一种通过调整模型超参数来缓解偏见的方法。

该方法基于贝叶斯优化（BO）技术改进，被命名为公平贝叶斯优化。它能同时建模两个函数：一个关联超参数与模型准确率，另一个关联超参数与公平性指标。该方法不依赖特定公平性衡量标准。

研究团队使用某机构AutoML框架AutoGluon发布了实现代码。以德国信用数据集为例，演示了如何应用约束优化在保证公平性的前提下提升模型准确率：

1. 选择随机森林作为基础模型，调整min_samples_split、max_depth等超参数
2. 采用统计奇偶差异（DSP）作为公平性指标，设定阈值ε=0.01
3. 通过50次迭代比较标准BO与约束BO（CBO）的效果

实验显示，标准BO可能陷入高准确率但不公平的区域，而CBO能专注于超参数空间的公平区域，找到既准确又公平的解决方案。该方法已集成至AutoGluon框架，并发布完整使用教程。