Fugu-MT 論文翻訳(概要): Assessing Fairness in Classification Parity of Machine Learning Models in Healthcare

論文の概要: Assessing Fairness in Classification Parity of Machine Learning Models in Healthcare

arxiv url: http://arxiv.org/abs/2102.03717v1
Date: Sun, 7 Feb 2021 04:46:27 GMT
ステータス: 処理完了
システム内更新日: 2021-02-09 15:21:26.072593
Title: Assessing Fairness in Classification Parity of Machine Learning Models in Healthcare
Title（参考訳）: ヘルスケアにおける機械学習モデルの分類パリティの公平性評価
Authors: Ming Yuan, Vikas Kumar, Muhammad Aurangzeb Ahmad, Ankur Teredesai
Abstract要約: 医療における分類の公平性に関する予備的結果を示す。また,医療の文脈において,公平性を向上し,適切な分類アルゴリズムを選択するための探索的手法を提案する。
参考スコア（独自算出の注目度）: 19.33981403623531
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fairness in AI and machine learning systems has become a fundamental problem in the accountability of AI systems. While the need for accountability of AI models is near ubiquitous, healthcare in particular is a challenging field where accountability of such systems takes upon additional importance, as decisions in healthcare can have life altering consequences. In this paper we present preliminary results on fairness in the context of classification parity in healthcare. We also present some exploratory methods to improve fairness and choosing appropriate classification algorithms in the context of healthcare.
Abstract（参考訳）: AIシステムと機械学習システムの公正性は、AIシステムの説明責任における根本的な問題となっている。 AIモデルのアカウンタビリティの必要性は至るところにあるが、特に医療は、このようなシステムのカウンタビリティが、医療における決定が人生を変える結果をもたらすため、さらなる重要性を負う難しい分野である。本稿では,医療における分類パリティの文脈における公平性に関する予備的結果を示す。また,公平性を改善し,適切な分類アルゴリズムを選択するための探索的手法を提案する。

関連論文リスト

Understanding Fairness in Recommender Systems: A Healthcare Perspective [0.18416014644193066]
本稿では,医療レコメンデーションにおける公正に対する一般の理解について考察する。参加者は4つのフェアネス指標から選択した。その結果, 公平性に対する一大アプローチが不十分である可能性が示唆された。
論文参考訳（メタデータ） (2024-09-05T19:59:42Z)
Towards Clinical AI Fairness: Filling Gaps in the Puzzle [15.543248260582217]
このレビューでは、医療データと提供されたAIフェアネスソリューションの両方に関して、いくつかの欠陥を体系的に指摘する。 AI技術がますます活用されている多くの医療分野において、AIフェアネスの研究の欠如を強調している。これらのギャップを埋めるために、我々のレビューは医療研究コミュニティとAI研究コミュニティの両方にとって実行可能な戦略を前進させます。
論文参考訳（メタデータ） (2024-05-28T07:42:55Z)
Towards FATE in AI for Social Media and Healthcare: A Systematic Review [0.0]
この調査は、AIの文脈における公正性、説明責任、透明性、倫理(FATE)の概念に焦点を当てている。統計的および交差点的公正性は,ソーシャルメディアプラットフォーム上での医療の公平性を支持することが判明した。シミュレーション、データ分析、自動システムといったソリューションは広く使われているが、その効果は様々である。
論文参考訳（メタデータ） (2023-06-05T17:25:42Z)
Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文参考訳（メタデータ） (2022-07-23T01:06:34Z)
Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文参考訳（メタデータ） (2022-07-21T09:35:38Z)
Fair Machine Learning in Healthcare: A Review [90.22219142430146]
我々は、機械学習と医療格差における公正性の交差を分析する。機械学習の観点から、関連する公正度メトリクスを批判的にレビューする。本稿では,医療における倫理的かつ公平なMLアプリケーション開発を約束する新たな研究指針を提案する。
論文参考訳（メタデータ） (2022-06-29T04:32:10Z)
Algorithm Fairness in AI for Medicine and Healthcare [4.626801344708786]
アルゴリズムの公平性は公平なケアを提供する上で難しい問題です人種のサブ人口にまたがるAIモデルの最近の評価では、患者の診断、治療、医療費の請求などにおいて、大きな不平等が明らかになっている。
論文参考訳（メタデータ） (2021-10-01T18:18:13Z)
The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文参考訳（メタデータ） (2021-06-08T10:38:09Z)
Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
論文参考訳（メタデータ） (2021-03-07T03:10:32Z)
Technical Challenges for Training Fair Neural Networks [62.466658247995404]
最先端のアーキテクチャを用いて顔認識と自動診断データセットの実験を行います。我々は、大きなモデルは公平さの目標に過度に適合し、意図しない、望ましくない結果を生み出すことを観察する。
論文参考訳（メタデータ） (2021-02-12T20:36:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。