論文の概要: Assessing the Impact of Case Correction Methods on the Fairness of COVID-19 Predictive Models
- arxiv url: http://arxiv.org/abs/2405.10355v1
- Date: Thu, 16 May 2024 16:26:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-20 17:42:52.348490
- Title: Assessing the Impact of Case Correction Methods on the Fairness of COVID-19 Predictive Models
- Title（参考訳）: 事例補正法が新型コロナウイルス予測モデルの公正性に及ぼす影響の評価
- Authors: Daniel Smolyak, Saad Abrar, Naman Awasthi, Vanessa Frias-Martinez,
- Abstract要約: 新型コロナウイルス(COVID-19)の症例予測タスクへの影響について,2つの症例修正手法について検討した。
修正手法の1つは公平性を改善し、多数派ホワイト郡と多数派マイノリティ郡のパフォーマンスの差を減少させる。
これらの結果は混在しているが、補正手法が新型コロナウイルスの症例データに既存のバイアスを悪化させる可能性があることは明らかである。
- 参考スコア（独自算出の注目度）: 0.24999074238880484
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the central difficulties of addressing the COVID-19 pandemic has been accurately measuring and predicting the spread of infections. In particular, official COVID-19 case counts in the United States are under counts of actual caseloads due to the absence of universal testing policies. Researchers have proposed a variety of methods for recovering true caseloads, often through the estimation of statistical models on more reliable measures, such as death and hospitalization counts, positivity rates, and demographics. However, given the disproportionate impact of COVID-19 on marginalized racial, ethnic, and socioeconomic groups, it is important to consider potential unintended effects of case correction methods on these groups. Thus, we investigate two of these correction methods for their impact on a downstream COVID-19 case prediction task. For that purpose, we tailor an auditing approach and evaluation protocol to analyze the fairness of the COVID-19 prediction task by measuring the difference in model performance between majority-White counties and majority-minority counties. We find that one of the correction methods improves fairness, decreasing differences in performance between majority-White and majority-minority counties, while the other method increases differences, introducing bias. While these results are mixed, it is evident that correction methods have the potential to exacerbate existing biases in COVID-19 case data and in downstream prediction tasks. Researchers planning to develop or use case correction methods must be careful to consider negative effects on marginalized groups.
- Abstract（参考訳）: 新型コロナウイルス感染症(COVID-19)の感染拡大を正確に測定し、予測する上で重要な課題の一つとなっている。
特に、米国における公式の新型コロナウイルス(COVID-19)感染者数は、普遍的な検査方針が欠如しているため、実際のケースロードの数を数えている。
研究者は、死や入院数、肯定率、人口統計など、より信頼性の高い指標に関する統計モデルの推定を通じて、真のケースロードを回復するための様々な方法を提案してきた。
しかし、新型コロナウイルスの人種、民族、社会経済グループに対する不均衡な影響を考えると、これらのグループに対するケース修正法の意図しない影響を検討することが重要である。
そこで本研究では、これら2つの補正手法が、下流のCOVID-19ケース予測タスクに与える影響について検討する。
そこで,本研究では,多数派郡と多数派郡とのモデル性能の差異を測定することで,新型コロナウイルスの予測課題の公平性を分析するための監査手法と評価プロトコルを調整した。
修正手法の1つは公平性を向上し、多数派と多数派マイノリティ郡のパフォーマンスの差を減らし、もう1つはバイアスを導入して差異を増大させることが判明した。
これらの結果は混在しているものの、補正手法は、新型コロナウイルスの症例データや下流予測タスクにおいて、既存のバイアスを悪化させる可能性があることは明らかである。
ケース修正手法の開発や使用を計画する研究者は、疎外化グループに対するネガティブな影響を考慮すべきである。
関連論文リスト
- Auditing the Fairness of COVID-19 Forecast Hub Case Prediction Models [0.24999074238880484]
COVID-19 Forecast Hubは、CDC(Centers for Disease Control and Prevention)が公式のCOVID-19通信に使用している。
Forecast Hubは予測精度のみにフォーカスすることで、提案されたモデルが社会的決定因子間で類似した性能を持つかどうかを評価できない。
統計的に有意な予測性能を示し,少数民族・少数民族の他,都市化の少ない地域では高い予測誤差がみられた。
論文 参考訳（メタデータ） (2024-05-17T21:07:19Z) - 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) - Systematic Evaluation of Predictive Fairness [60.0947291284978]
バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。
複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。
データ条件が相対モデルの性能に強い影響を与えることがわかった。
論文 参考訳（メタデータ） (2022-10-17T05:40:13Z) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳（メタデータ） (2022-01-15T17:21:26Z) - Identifying and mitigating bias in algorithms used to manage patients in
a pandemic [4.756860520861679]
現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。
モデルではバイアス試験の回数が57%減少した。
キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
論文 参考訳（メタデータ） (2021-10-30T21:10:56Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - 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) - Curse of Small Sample Size in Forecasting of the Active Cases in
COVID-19 Outbreak [0.0]
新型コロナウイルス(COVID-19)のパンデミックでは、感染者数や今後の流行を予想する試みが多数行われている。
しかし、信頼性の高い方法では、新型コロナウイルス(COVID-19)の根本的特徴の中期的・長期的進化を許容できる精度で予測することができない。
本稿では,この予測問題における機械学習モデルの故障について説明する。
論文 参考訳（メタデータ） (2020-11-06T23:13:34Z) - An Investigation of Why Overparameterization Exacerbates Spurious
Correlations [98.3066727301239]
この動作を駆動するトレーニングデータの2つの重要な特性を特定します。
モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
論文 参考訳（メタデータ） (2020-05-09T01:59:13Z)
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。