同一套生物统计模型用在不同群体上，可能把群体差异误当成稳定规律，最后画出系统性偏向某些人的基因关系图。Xingcai Zhou 等人提出 Fair RegGGMs，试图在分析脑胶质母细胞瘤（GBM）时，把公平性直接写进图模型回归。图模型把基因当作节点，用连边表示控制其他因素后仍存在的统计关联；图回归则进一步研究遗传变异如何对应不同个体的整张基因网络。
这套方法用“成对图差异风险”衡量不同群体所得网络的差距，并在多任务学习中同时约束网络稀疏性、公平性和统计效果。作者还设计了 Fair-SAGE 做去偏推断，以及 Fair-MOO 处理超高维、参数过多时的优化问题。论文摘要称，模拟实验和脑部 co-expression QTL 分析验证了方法的公平性与有效性；但摘要未披露具体改善幅度，也没有给出由此产生的临床结论。