機械学習の分野では公平性を担保した教師なしクラスタリングが行われていたが，本研究ではそれを初めて画像という高次元データに拡張した． クラスタリングの精度と公平性を両立させるために従来研究で用いられていた敵対的学習に加え，structural preservation lossを新たに提案した．

MNIST/USPS, office datasetおよび顔画像のデータセットで実験を行った．MNIST/USPSおyびoffice datasetではドメインの違いを，顔画像のデータセットでは眼鏡の有無を取り除きたいバイアス属性とした． 多くのデータセットにおいて，従来研究を単純に画像クラスタリングに拡張した場合よりも提案手法の方が良い結果が得られていた．

機械学習で用いられていた公平クラスタリングに関する研究をそのまま画像に持ってきたのではなく，画像特有のアプローチとしてstructure preservationを考えたというのが評価されたのではないだろうか．intorductionの段階から画像は高次元データであるということを読み手に意識させており，それが提案手法に明確につながっていた．