深層学習（DL）が様々なアプリケーションにおいて不可欠な技術となる中、特に医療診断といったセンシティブな分野では、高い性能を維持しつつモデルの公平性を確保することが重要視されています。従来のバイアス緩和手法には、計算コストが高いデバイアス戦略を用いるものや、モデルの精度が大幅に低下してしまうものが多く、実際のリソース制約がある環境での実用性が制約されています。本研究では、特異値分解（SVD）を用いた公平性重視の低ランク因子分解（LRF）フレームワークを提案し、特にSVDがモデルの圧縮だけでなく公平性向上にも効果的であることを示しました。FairLRFという手法を用い、バイアスを生む要素をユニタリーマトリックスから選択的に除去することによって、グループ間の格差を減少させ、公平性を向上させます。広範な実験によって、従来のLRF手法や先進的な公平性向上技術と比較して優れた性能を示すことが確認されました。