論文の概要: Flexible Group Fairness Metrics for Survival Analysis
- arxiv url: http://arxiv.org/abs/2206.03256v3
- Date: Fri, 22 Jul 2022 13:37:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 17:34:12.817728
- Title: Flexible Group Fairness Metrics for Survival Analysis
- Title（参考訳）: 生存率分析のためのフレキシブルグループフェアネス指標
- Authors: Raphael Sonabend, Florian Pfisterer, Alan Mishler, Moritz Schauer,
Lukas Burk, Sumantrak Mukherjee, Sebastian Vollmer
- Abstract要約: グループフェアネスの指標を用いて、既存の生存率を使ってバイアスを測定する方法について検討する。
偏見の尺度は偏見をよく捉えられるが、校正や採点ルールの尺度では明瞭さが低い。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Algorithmic fairness is an increasingly important field concerned with
detecting and mitigating biases in machine learning models. There has been a
wealth of literature for algorithmic fairness in regression and classification
however there has been little exploration of the field for survival analysis.
Survival analysis is the prediction task in which one attempts to predict the
probability of an event occurring over time. Survival predictions are
particularly important in sensitive settings such as when utilising machine
learning for diagnosis and prognosis of patients. In this paper we explore how
to utilise existing survival metrics to measure bias with group fairness
metrics. We explore this in an empirical experiment with 29 survival datasets
and 8 measures. We find that measures of discrimination are able to capture
bias well whereas there is less clarity with measures of calibration and
scoring rules. We suggest further areas for research including prediction-based
fairness metrics for distribution predictions.
- Abstract（参考訳）: アルゴリズム的公平性は、機械学習モデルにおけるバイアスの検出と緩和に関する、ますます重要な分野である。
回帰と分類のアルゴリズム的公正性に関する文献は豊富にあるが、生存分析の分野についてはほとんど調査されていない。
生存分析とは、ある事象が経時的に発生する確率を予測しようとする予測タスクである。
生存予測は、患者の診断と予後に機械学習を利用する場合など、センシティブな設定において特に重要である。
本稿では,既存の生存率を用いて集団公平度指標によるバイアスを測定する方法について検討する。
29のサバイバルデータセットと8つの尺度を用いた実証実験でこれを検証した。
偏見の尺度は偏見をよく捉えられるが、校正や採点ルールの尺度では明瞭さが低い。
分布予測のための予測に基づく公平度指標など,さらなる研究分野を提案する。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。
我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文 参考訳（メタデータ） (2023-10-24T02:56:05Z) - Contrastive Learning of Temporal Distinctiveness for Survival Analysis
in Electronic Health Records [10.192973297290136]
本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。
OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。
急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2023-08-24T22:36:22Z) - Interpretable machine learning for time-to-event prediction in medicine and healthcare [7.416913210816592]
時間依存的な特徴効果とグローバルな特徴重大説明を導入する。
我々は、ポストホックな解釈手法が、滞在期間を予測するAIシステムのバイアスを見つけるのにどのように役立つかを示す。
我々は,がんの生存率を予測性能を超えて評価し,マルチオミクスの特徴群の重要性を考察した。
論文 参考訳（メタデータ） (2023-03-17T07:53:18Z) - Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。
この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
論文 参考訳（メタデータ） (2022-03-16T15:00:33Z) - Evaluation of survival distribution predictions with discrimination
measures [0.0]
我々は, 生存率の予測を識別基準で評価する方法を検討する。
この手法は文献にはほとんど記述されず、しばしば不公平な比較に繋がる。
機械学習サバイバル分析ソフトウェアは、分布とリスク予測の間の明確な変換を実装することを推奨する。
論文 参考訳（メタデータ） (2021-12-09T10:52:36Z) - A Statistical Test for Probabilistic Fairness [11.95891442664266]
不正な分類を検知するための統計的仮説テストを提案する。
理論的にも実証的にも,提案された試験が正しいことを示す。
さらに,提案フレームワークは,データの最も好ましい摂動を識別することにより,解釈可能性を提供する。
論文 参考訳（メタデータ） (2020-12-09T00:20:02Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。