已发表的研究表明，基于面部的自动化性别分类算法在不同性别-种族群体中存在偏见。具体而言，女性和深色皮肤人群的分类准确率较低。为了减轻性别分类器的偏见，视觉研究社区已经开发了多种策略。然而，这些缓解策略的有效性主要仅在有限数量的种族群体中得到验证，尤其是高加索人（Caucasian）和非裔美国人（African-American）。此外，这些策略通常会在减少偏见和提高分类准确率之间进行权衡。为了进一步推动该领域的进展，我们利用生成视图、结构化学习和证据学习的方法来减轻性别分类偏见。通过广泛的实验验证，我们展示了我们的偏见缓解策略在提高分类准确率和减少不同性别-种族群体中的偏见方面的优越性，从而在内部数据集和跨数据集评估中取得了最先进的性能。