في عالم التعلم العميق (Deep Learning)، لا تزال التباينات في الأداء تجاه مجموعات سكانية معينة تشكل تحدياً كبيراً. ينتج هذا عن عدم توازن البيانات، خصوصاً فيما يتعلق بالسمات الحساسة مثل الجنس أو العمر. وللتعامل مع هذه القضية، راهن باحثون على العديد من الأساليب التي تتراوح بين التعلم العادل للتمثيل وإعادة sampling البيانات إلى التدريب المعاكس.

تنقسم الأساليب المتبعة بشكل عام إلى فئتين رئيسيتين:
- الأساليب من المرحلة الواحدة التي تتعلم تمثيلاً مشتركاً للعدالة، لكنها غالباً ما تواجه صعوبات في التعامل مع توزيع المجموعات المتغايرة.
- الأساليب من المرحلتين التي تعلم التمثيلات بشكل منفصل عن مهمة التنبؤ النهائية، مما قد يؤدي إلى عدم التوافق بين أهداف العدالة والتنبؤات اللاحقة.

ومؤخراً، تم التعرف على انحياز التوجيه والذي يحدث عندما يتسبب عدم توازن المجموعات في توجيه الشبكة إلى استخدام خبراء معينين فقط. ولحل هذه المشكلة، تم اقتراح إطار عمل شامل يعتمد على Mixture-of-Experts لإنهاء هذه الظاهرة.

باستخدام إعادة وزن المجموعات، يتم تصحيح هذا الانحياز، بينما تقدم تقنيات تنظيم بوابة الانتروبيا من خلال منع الشبكة من الانهيار إلى سمات المجموعات، مما يحافظ على استخدام متوازن ومفهوم للخبراء.

علاوةً على تحسين العدالة، توفر توزيعات التوجيه رؤية واضحة لكيفية تخصيص المجموعات عبر الخبراء. وقد أظهرت التجارب أن هذا النهج المقترح يعزز العدالة مع الحفاظ على أداء تنبؤي تنافسي، مما يفتح آفاقاً جديدة للبحث في هذا المجال.