本論文では、グループ公平性の制約に基づいたベイズ最適な二値分類ルールを実現するための方法を探求しています。特に、ベイズ回帰器を用いたグループ別の閾値ルールに還元できることが示されています。本研究では、この結果を拡張し、ベイズ最適な公平な学習ルールが閾値において（可能な）ランダム化を伴うグループ別の閾値ルールであることを証明しています。このアプローチは、先に予測器を学習し、その後出力を調整してバイアスを排除するという二段階の後処理アプローチに強力な正当化を提供します。提案されたアルゴリズムは、深層ニューラルネットワークやランダムフォレスト、サポートベクターマシンなどのブラックボックス機械学習モデルに適用可能であり、以前に提案された多くの公平性基準も考慮できます。アルゴリズムがベイズ一致であることを証明し、複数のデモグラフィックグループ間の精度と公平性のトレードオフを定量化する不可能性結果を通じてその動機を示しています。最終的に、Adultベンチマークデータセットにおいてアルゴリズムを検証しています。