Makine Öğrenimi (ML) adaletini teşvik etmedeki son gelişmelerdeki artışa rağmen, mevcut ana akım yaklaşımlar, adalet kriterlerini karşılamak için çoğunlukla sinir ağının tüm ağırlıklarının eğitilmesini veya ince ayar yapılmasını gerektirir. Bununla birlikte, büyük hesaplama ve depolama maliyetleri, düşük veri verimliliği ve model gizliliği sorunları nedeniyle bu büyük ölçekli eğitilmiş modeller için pratikte genellikle mümkün değildir. Bu yazıda, model yeniden programlama tekniğini içeren FairReprogram adlı yeni bir genel adalet öğrenme paradigması öneriyoruz. Spesifik olarak, FairReprogram nöral modeli sabit kabul eder ve bunun yerine girdiye, bir min-maks formülasyonu altında adalet kriterlerine göre ayarlanan adalet tetikleyici adı verilen bir dizi bozulma ekler. Ayrıca, adalet tetikleyicisi kullanılarak adalet hedeflerine neden ve hangi koşullar altında ulaşılabileceğini açıklayan bir bilgi-kuramsal çerçeve sunuyoruz. Adalet tetikleyicisinin, modelin tahmin yapmak için doğru demografik bilgileri kullanmasını engelleyen yanlış demografik bilgiler sağlayarak, sabit makine öğrenimi modellerinin çıktı tahminindeki demografik önyargıları etkili bir şekilde gizleyebileceğini hem teorik hem de ampirik olarak gösteriyoruz. Hem NLP hem de CV veri kümeleri üzerindeki kapsamlı deneyler, yöntemimizin, yaygın olarak kullanılan iki adalet kriteri altında çok daha az eğitim maliyeti ve veri bağımlılığı ile yeniden eğitime dayalı yöntemlerden daha iyi adalet iyileştirmeleri sağlayabildiğini göstermektedir. Adalet tetikleyicisinin, modelin tahmin yapmak için doğru demografik bilgileri kullanmasını engelleyen yanlış demografik bilgiler sağlayarak, sabit makine öğrenimi modellerinin çıktı tahminindeki demografik önyargıları etkili bir şekilde gizleyebileceğini hem teorik hem de ampirik olarak gösteriyoruz. Hem NLP hem de CV veri kümeleri üzerindeki kapsamlı deneyler, yöntemimizin, yaygın olarak kullanılan iki adalet kriteri altında çok daha az eğitim maliyeti ve veri bağımlılığı ile yeniden eğitime dayalı yöntemlerden daha iyi adalet iyileştirmeleri sağlayabildiğini göstermektedir. Adalet tetikleyicisinin, modelin tahmin yapmak için doğru demografik bilgileri kullanmasını engelleyen yanlış demografik bilgiler sağlayarak, sabit makine öğrenimi modellerinin çıktı tahminindeki demografik önyargıları etkili bir şekilde gizleyebileceğini hem teorik hem de ampirik olarak gösteriyoruz. Hem NLP hem de CV veri kümeleri üzerindeki kapsamlı deneyler, yöntemimizin, yaygın olarak kullanılan iki adalet kriteri altında çok daha az eğitim maliyeti ve veri bağımlılığı ile yeniden eğitime dayalı yöntemlerden daha iyi adalet iyileştirmeleri sağlayabildiğini göstermektedir.