1.一种面向记忆增强元学习的深度学习模型去偏方法，其特征在于，包括以下步骤：(1)获取样本数据集，并提取类别标签以及敏感属性标签；

(2)构建包含控制器和外部记忆单元的面向记忆增强元学习的深度学习模型，其中，控制器用于对输入样本进行特征提取后输出键值，外部记忆单元用于存储输出键值，输入样本的类别标签以及输出键值与类别标签之间的映射关系；

(3)利用深度学习模型对样本数据进行学习的过程中，依据输出键值与类别标签之间的映射关系筛选得到类别标签，并依据类别标签进行关于敏感属性的相似度检测，筛选得到敏感样本；

(4)对敏感样本进行重要性检测，以确定敏感样本的重要性权重；

(5)依据重要性权重对敏感样本删减或改变重要性权重，以实现对深度学习模型的去偏处理。

2.如权利要求1所述的面向记忆增强元学习的深度学习模型去偏方法，其特征在于，所述敏感属性为种族属性、性别属性。

3.如权利要求1所述的面向记忆增强元学习的深度学习模型去偏方法，其特征在于，在构建深度学习模型时，控制器采用长短期记忆网络，为长短期记忆网络的每层均配置一个用作存储的外部记忆单元，外部记忆单元采用循环神经网络。

4.如权利要求1所述的面向记忆增强元学习的深度学习模型去偏方法，其特征在于，利用深度学习模型对样本数据进行学习的过程中，输入样本和对应的目标分类标签会错时刻输入至控制器中，控制器的每层网络均会对输入数据进行特征提取，得到输出键值，该输出键值作为外部记忆单元的索引，与对应的目标分类标签同时输入至外部记忆单元，通过的外部记忆单元的计算过程得到记忆矩阵，该记忆矩阵保存了输出键值和目标分类标签的映射关系，记忆矩阵中还存储了敏感属性信息。

5.如权利要求1所述的面向记忆增强元学习的深度学习模型去偏方法，其特征在于，在进行敏感样本筛选时，将样本数据输入至控制器经计算得到输出键值，依据作为外部记忆单元索引的输出键值找到对应的外部记忆单元的记忆矩阵，并找到记忆矩阵中包含敏感属性信息的目标分类标签，并计算样本数据与该包含敏感属性信息的目标分类标签的余弦相似度，当余弦相似度大于阈值时，则绑定输入样本数据和目标分类标签，同时样本数据作为敏感样本。

6.如权利要求1所述的面向记忆增强元学习的深度学习模型去偏方法，其特征在于，步骤(4)包括：

依据外部记忆单元保存的具有敏感属性信息的目标分类标签与输入样本数据对应的输出健值的映射关系，对敏感样本进行采样得到敏感样本对应的输出健值和目标分类标签；

依据敏感样本对应的输出健值和目标分类标签的余弦相似度确定名敏感样本中对应敏感属性的重要性权重。

7.如权利要求1所述的面向记忆增强元学习的深度学习模型去偏方法，其特征在于，步骤(5)的具体过程包括：

对于重要性权重小于权重阈值的敏感样本进行删除，对于重要性权重大于权重阈值的敏感样本，进行重要性权重的减小处理。

8.如权利要求1所述的面向记忆增强元学习的深度学习模型去偏方法，其特征在于，还包括：对于深度学习模型的去偏效果进行公平性测试。