論文の概要: A fairness assessment of mobility-based COVID-19 case prediction models
- arxiv url: http://arxiv.org/abs/2210.03901v2
- Date: Thu, 16 Feb 2023 05:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 11:35:53.440078
- Title: A fairness assessment of mobility-based COVID-19 case prediction models
- Title（参考訳）: モビリティに基づくcovid-19症例予測モデルの公平性評価
- Authors: Abdolmajid Erfani, Vanessa Frias-Martinez
- Abstract要約: 予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。
特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In light of the outbreak of COVID-19, analyzing and measuring human mobility
has become increasingly important. A wide range of studies have explored
spatiotemporal trends over time, examined associations with other variables,
evaluated non-pharmacologic interventions (NPIs), and predicted or simulated
COVID-19 spread using mobility data. Despite the benefits of publicly available
mobility data, a key question remains unanswered: are models using mobility
data performing equitably across demographic groups? We hypothesize that bias
in the mobility data used to train the predictive models might lead to unfairly
less accurate predictions for certain demographic groups. To test our
hypothesis, we applied two mobility-based COVID infection prediction models at
the county level in the United States using SafeGraph data, and correlated
model performance with sociodemographic traits. Findings revealed that there is
a systematic bias in models performance toward certain demographic
characteristics. Specifically, the models tend to favor large, highly educated,
wealthy, young, urban, and non-black-dominated counties. We hypothesize that
the mobility data currently used by many predictive models tends to capture
less information about older, poorer, non-white, and less educated regions,
which in turn negatively impacts the accuracy of the COVID-19 prediction in
these regions. Ultimately, this study points to the need of improved data
collection and sampling approaches that allow for an accurate representation of
the mobility patterns across demographic groups.
- Abstract（参考訳）: 新型コロナウイルスの感染拡大を受けて、人間の移動度の分析と測定がますます重要になっている。
時間とともに時空間的傾向を調査し、他の変数との関係を調べ、非薬理学的介入(NPI)を評価し、移動データを用いてCOVID-19を予測またはシミュレーションした。
一般公開されたモビリティデータのメリットにもかかわらず、重要な疑問は解決されていない。モビリティデータを使用しているモデルは、人口層間で公平に動作しているか?
予測モデルのトレーニングに使用されるモビリティデータのバイアスは、一部の人口集団において不当に正確でない予測をもたらす可能性があると仮定する。
この仮説を検証するために,safegraphデータを用いて,米国の郡レベルでのモビリティに基づく2つの感染予測モデルを適用し,モデル性能と社会疫学的特徴を相関させた。
調査の結果、特定の人口動態特性に対するモデル性能には体系的なバイアスがあることが判明した。
特に、モデルは大きく、高度に教育され、裕福で、若く、都会的で、黒人が支配していない郡を好む傾向にある。
我々は、現在多くの予測モデルで使われているモビリティデータは、高齢、貧弱、非白人、そして教育を受けていない地域に関する情報を収集する傾向にあり、その結果、これらの地域でのCOVID-19予測の正確性に悪影響を及ぼすと仮定する。
この研究は最終的に、人口集団間での移動パターンの正確な表現を可能にするデータ収集とサンプリングアプローチの改善の必要性を指摘する。
関連論文リスト
- Modeling, Inference, and Prediction in Mobility-Based Compartmental Models for Epidemiology [5.079807662054658]
疾患の伝達と制御の鍵となる要因として,個人の移動が紹介される。
各区画の移動度分布関数を用いて, 疾患の動態を特徴付ける。
感染集団の時系列から移動度分布を推定する。
論文 参考訳（メタデータ） (2024-06-17T18:13:57Z) - DemOpts: Fairness corrections in COVID-19 case prediction models [0.24999074238880484]
美術深層学習モデルの現状は、人種や民族間で大きく異なる予測誤差を出力することを示している。
本稿では,潜在的なバイアス付きデータセットに基づいてトレーニングされたディープラーニングに基づく予測モデルの公平性を高めるために,新しいデバイアス化手法であるDemOptsを提案する。
論文 参考訳（メタデータ） (2024-05-15T16:22:46Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳（メタデータ） (2024-05-13T17:49:20Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。
CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。
実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
論文 参考訳（メタデータ） (2023-11-16T06:27:35Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Forecasting COVID-19 spreading trough an ensemble of classical and
machine learning models: Spain's case study [0.0]
我々は、新型コロナウイルスのパンデミックの近い将来の進化を予測するために、人口モデルと機械学習モデルのアンサンブルの適用性を評価する。
オープンかつパブリックなデータセットのみに依存しており、発生率、ワクチン接種、人間の移動性、気象データに頼っています。
論文 参考訳（メタデータ） (2022-07-12T08:16:44Z) - Biases in human mobility data impact epidemic modeling [0.0]
携帯電話の不正アクセスと不平等使用による2種類のバイアスを同定する。
我々は、高重量個体が過剰に表現されているすべての調査データセットにおいて、データ生成バイアスの証拠を見つける。
このスキューを緩和するために、データをデバイアスするフレームワークを提案し、代表性を高めるためにいかに簡単なテクニックが使えるかを示す。
論文 参考訳（メタデータ） (2021-12-23T13:20:54Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Combining Graph Neural Networks and Spatio-temporal Disease Models to
Predict COVID-19 Cases in Germany [0.0]
いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。
ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。
本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-03T16:39:00Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z)
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。