很多论文都谈论了训练的公平性：
Focal loss 中就对数据集作出调整，以平衡。
机器学习里的公平性到底有没有意义？其实是有多方面意义的
从实际生活中看，虽然是服从大众的社会，但是仍然需要给小众自己的空间，不能忽略他们。下面这个论文就论述了这样的情况。
论文：Fairnes without demographics in Repeated loss minimization
机器学习的公平性：
公平性在很多论文中都有讨论，其具有很多现实意义，如现实中有很多少数族，而其决定了这个项目的上线，
disparity amplification 区别放大：
Empirical approximation minimization经验近似缩小会把原本公正的模型变得不公正，其会降低少数族的比重，因为在优化过程中是机会平等的，没有对少数族的照顾，使得少数族可能被忽视，
随着训练增加，模型变得不公平，忽略右边
分布式鲁班优化 distributionally robust formulation of Duchi et al. (2016)
```
import tensorflow as tf
```
