近期，我院叶阿勇教授团队在动态环境下可信公平智能领域取得系列重要进展，三项研究成果分别发表于国际期刊《Expert Systems With Applications》和《Applied Soft Computing》。
随着人工智能广泛应用于自动驾驶、金融风控、医疗诊断等高风险领域，模型在真实环境变化中的公平性与泛化性日益受到关注。现有机器学习方法多依赖静态数据分布假设，难以适应开放动态环境下的分布漂移与群体差异。针对这一挑战，叶阿勇教授团队系统性地构建了涵盖跨域鲁棒公平、流式长期公平和黑盒部署后校正的技术方案，为提升人工智能系统在复杂场景下的公平性、鲁棒性与可部署性提供了新思路。
研究成果一：动态环境在线公平学习
该成果面向流式数据场景中环境持续变化导致的长期公平性难以保障问题，提出长期公平感知在线学习方法ConSCFairOL。该方法通过监督对比学习与条件监督对比学习，学习兼具环境鲁棒性与Equalized Odds公平性的表示，使模型预测在动态环境中有效解耦环境因素与敏感属性的影响，为在线模型持续公平决策提供了新范式。该成果以“Achieving Online Learning with Long-Term Fairness Awareness in Dynamic Environments”为题发表在中科院SCI一区TOP期刊《Expert Systems With Applications》上，第一作者为我院2021级博士研究生陈秋玲。
图1 ConSCFairOL方法技术路线示意图
论文链接：https://doi.org/10.1016/j.eswa.2025.130978
研究成果二：黑盒视觉检测公平校正
该成果面向已部署视觉检测模型在复杂环境下产生群体性能差异的问题，提出黑盒后处理公平增强方法Adaptive IFAOR。该方法无需访问模型内部参数或重新训练，通过联合建模环境扰动强度与群体风险敏感性，对检测置信度进行自适应补偿。实验表明，该方法平均降低群体性能差异65%，同时保留99%原始mAP，为已部署模型的公平性修复提供了高效低成本的解决方案。该成果以“Adaptive IFAOR: A Black-box Post-processing Debiasing Method for Visual Detection under Environmental Shifts”为题发表在中科院SCI一区TOP期刊《Expert Systems With Applications》上，第一作者为我院2024级硕士研究生蔡子涵。
图2 Adaptive IFAOR方法技术路线示意图
论文链接：https://doi.org/10.1016/j.eswa.2026.132766
研究成果三：跨域鲁棒公平学习
该成果面向动态环境中域偏移引发的群体公平性退化问题，提出跨域公平学习框架CDFair。该框架通过可学习扰动模拟分布变化，并设计三重对比公平约束，在保持语义一致性的同时有效抑制敏感属性与任务标签的虚假关联。在FairFace、YFCC100M-FDG等基准数据集上的实验表明，该方法可同时提升模型的准确率与公平性，为跨域场景下的公平性保障提供了系统性方法。该成果以“Robust Fairness under Domain Shifts: A Triple-contrastive Approach with Learnable Perturbation”为题发表在《Applied Soft Computing》上，第一作者为我院2024级博士研究生陈婧。
图3 CDFair方法技术路线示意图
论文链接：https://doi.org/10.1016/j.asoc.2026.115617
上述三项成果均以福建师范大学为第一单位，我院叶阿勇教授为唯一通讯作者，围绕“动态环境下可信公平智能”这一核心命题，从在线学习、后处理校正和跨域泛化三个维度形成了系统性技术方案。团队未来将进一步探索多模态场景下的公平性保障机制，推动可信人工智能从理论方法走向实际部署。