La minería de datos de transmisiones consciente de la equidad es una preocupación desafiante en el ámbito contemporáneo del aprendizaje automático. Muchos algoritmos de aprendizaje de transmisiones se utilizan para reemplazar a los humanos en procesos críticos de toma de decisiones, por ejemplo, contratación de personal, evaluación del riesgo crediticio, etc. Esto requiere manejar grandes cantidades de información entrante con un tiempo de respuesta mínimo mientras se garantizan decisiones justas y de alta calidad. Aunque el aprendizaje profundo ha tenido éxito en varios ámbitos, su complejidad computacional puede obstaculizar el procesamiento en tiempo real, lo que hace que los algoritmos tradicionales sean más adecuados. En este contexto, proponemos una adaptación novedosa de Naïve Bayes para mitigar la discriminación incrustada en las transmisiones mientras se mantiene un alto rendimiento predictivo a través de la optimización multiobjetivo (MOO). El desequilibrio de clases es un problema inherente en los paradigmas de aprendizaje conscientes de la discriminación. Para hacer frente al desequilibrio de clases, proponemos un módulo dinámico de ponderación de instancias que otorga más importancia a las nuevas instancias y menos importancia a las instancias obsoletas basándose en su pertenencia a una clase minoritaria o mayoritaria. Hemos realizado experimentos en una variedad de conjuntos de datos de transmisión y estáticos y hemos concluido que nuestra metodología propuesta supera a los métodos conscientes de la equidad de vanguardia en términos tanto de puntuación de discriminación como de precisión equilibrada.