論文の概要: Benchmarking bias: Expanding clinical AI model card to incorporate bias reporting of social and non-social factors

• arxiv url: http://arxiv.org/abs/2311.12560v1
• Date: Tue, 21 Nov 2023 12:12:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 00:53:47.352508
• Title: Benchmarking bias: Expanding clinical AI model card to incorporate bias reporting of social and non-social factors
• Title（参考訳）: ベンチマークバイアス:社会的および非社会的要因のバイアスレポートを組み込むための臨床AIモデルカードの拡張
• Authors: Carolina A. M. Heming, Mohamed Abdalla, Monish Ahluwalia, Linglin Zhang, Hari Trivedi, MinJae Woo, Benjamin Fine, Judy Wawira Gichoya, Leo Anthony Celi, Laleh Seyyed-Kalantari
• Abstract要約: 社会的要因は、疾患依存、解剖学、または道具的要因などの他の要因がAIモデルのバイアスに与える影響を考察する。 非社会的要因は、疾患依存、解剖学、または道具的要因などの他の要因がAIモデルのバイアスに与える影響を考察する。
• 参考スコア（独自算出の注目度）: 3.7736174301203054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical AI model reporting cards should be expanded to incorporate a broad bias reporting of both social and non-social factors. Non-social factors consider the role of other factors, such as disease dependent, anatomic, or instrument factors on AI model bias, which are essential to ensure safe deployment.
• Abstract（参考訳）: 臨床AIモデルレポートカードは、社会的および非社会的要因の広範なバイアスレポートを組み込むよう拡張されるべきである。 非社会的要因は、病気依存、解剖学、機器要因などの他の要因がAIモデルのバイアスに与える影響を考慮し、安全なデプロイメントを保証するのに不可欠である。

関連論文リスト

• Causal Responsibility Attribution for Human-AI Collaboration [62.474732677086855]
  本稿では,人間のAIシステムにおける責任を体系的に評価するために,構造因果モデル(SCM)を用いた因果的枠組みを提案する。 2つのケーススタディは、多様な人間とAIのコラボレーションシナリオにおけるフレームワークの適応性を示している。
  論文  参考訳（メタデータ） (2024-11-05T17:17:45Z)
• Using Backbone Foundation Model for Evaluating Fairness in Chest Radiography Without Demographic Data [2.7436483977171333]
  本研究の目的は,基礎モデルのバックボーンを埋め込み抽出器として用いることの有効性を検討することである。 我々は,これらのグループを,前処理,内処理,評価など,様々な段階のバイアス軽減に活用することを提案する。
  論文  参考訳（メタデータ） (2024-08-28T20:35:38Z)
• A Neural Framework for Generalized Causal Sensitivity Analysis [78.71545648682705]
  本稿では,因果感受性分析のためのニューラルネットワークフレームワークであるNeuralCSAを提案する。 我々は、NeuralCSAが関心の因果クエリに有効な境界を推測できることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-11-27T17:40:02Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Neuro-Causal Factor Analysis [18.176375611711396]
  神経因果因子分析(NCFA)の枠組みについて紹介する。 NCFAは潜伏因果発見法により因子を同定し、可変オートエンコーダ(VAE)を用いる NCFAを実データおよび合成データセット上で評価し、データ再構成タスクにおける標準VAEと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-05-31T12:41:20Z)
• Causal Inference via Nonlinear Variable Decorrelation for Healthcare Applications [60.26261850082012]
  線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。 我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
  論文  参考訳（メタデータ） (2022-09-29T17:44:14Z)
• Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
  本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。 我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。 理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
  論文  参考訳（メタデータ） (2022-03-27T08:08:33Z)
• Latent Causal Invariant Model [128.7508609492542]
  現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。 因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
  論文  参考訳（メタデータ） (2020-11-04T10:00:27Z)
• Synthetic Interventions [18.6573968345062]
  SC(Synthetic Control)方法論は,パネルデータアプリケーションにおけるポリシー評価のための重要なツールである。 近年の[Abadie '20]では,SC手法の先駆者の一人が,SCフレームワークを複数の治療法に拡張する方法について疑問を投げかけている。 本稿は、合成介入(SI)と呼ぶこのオープンな疑問に対する一つの解決法を提供する。
  論文  参考訳（メタデータ） (2020-06-13T18:15:22Z)

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。