論文の概要: Auditing the Fairness of COVID-19 Forecast Hub Case Prediction Models

• arxiv url: http://arxiv.org/abs/2405.14891v1
• Date: Fri, 17 May 2024 21:07:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-02 14:47:20.239652
• Title: Auditing the Fairness of COVID-19 Forecast Hub Case Prediction Models
• Title（参考訳）: 新型コロナウイルスの予測ハブケース予測モデルの公正性検証
• Authors: Saad Mohammad Abrar, Naman Awasthi, Daniel Smolyak, Vanessa Frias-Martinez,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.24999074238880484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The COVID-19 Forecast Hub, a repository of COVID-19 forecasts from over 50 independent research groups, is used by the Centers for Disease Control and Prevention (CDC) for their official COVID-19 communications. As such, the Forecast Hub is a critical centralized resource to promote transparent decision making. Nevertheless, by focusing exclusively on prediction accuracy, the Forecast Hub fails to evaluate whether the proposed models have similar performance across social determinants that have been known to play a role in the COVID-19 pandemic including race, ethnicity and urbanization level. In this paper, we carry out a comprehensive fairness analysis of the Forecast Hub model predictions and we show statistically significant diverse predictive performance across social determinants, with minority racial and ethnic groups as well as less urbanized areas often associated with higher prediction errors. We hope this work will encourage COVID-19 modelers and the CDC to report fairness metrics together with accuracy, and to reflect on the potential harms of the models on specific social groups and contexts.
• Abstract（参考訳）: 50以上の独立した研究グループによる新型コロナウイルス予測のレポジトリであるCOVID-19 Forecast Hubは、公式のCOVID-19コミュニケーションのためにCDC(疾病予防管理センター)によって使用されている。 このように、Forecast Hubは透明な意思決定を促進するために重要な中央集権的なリソースである。 しかしながら、予測精度にのみ焦点をあてることで、Forecast Hubは、提案されたモデルが、人種、民族、都市化レベルを含む新型コロナウイルスのパンデミックにおいて役割を担っていることが知られている社会的決定要因間で類似したパフォーマンスを持つかどうかを評価することができない。 本稿では,Forecast Hubモデルモデル予測の総合的公正性分析を行い,少数民族・少数民族の他,都市化の少ない地域においても高い予測誤差を伴って,統計的に有意な多様な予測性能を示す。 今回の取り組みは、新型コロナウイルス(COVID-19)のモデラーやCDC(疾病予防管理センター)が、公正度指標を正確性とともに報告し、特定の社会的グループや状況におけるモデルによる潜在的な害を反映するよう促すことを願っている。

関連論文リスト

• A Multilateral Attention-enhanced Deep Neural Network for Disease Outbreak Forecasting: A Case Study on COVID-19 [0.6874745415692134]
  本稿では,感染症予測の課題に対処する新しいアプローチを提案する。 本稿では,複数の情報源からの情報を活用するマルチラテラルアテンション強化型GRUモデルを提案する。 GRUフレームワークに注意機構を組み込むことで、我々のモデルはデータ内の複雑な関係や時間的依存を効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-08-26T06:31:53Z)
• Performative Prediction on Games and Mechanism Design [69.7933059664256]
  エージェントが過去の正確性に基づいて予測を信頼するかを判断する集団リスクジレンマについて検討する。 予測が集合的な結果を形成するにつれて、社会福祉は関心の指標として自然に現れる。 よりよいトレードオフを実現し、それらをメカニズム設計に使用する方法を示します。
  論文  参考訳（メタデータ） (2024-08-09T16:03:44Z)
• 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)
• 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)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the United States [2.9822184411723645]
  本稿では,米国内の郡レベルでの新型コロナウイルスの流行を予測するための,長期記憶アーキテクチャに基づくデータ駆動型モデルであるCOVID-LSTMを提案する。 われわれは、時間的入力として毎週の新規症例数と、Facebookのハンドエンジニアリングによる空間的特徴を用いて、疾患の時間的および空間的拡散を捉えている。 4週間の予測で、私たちのモデルは平均50のケースで、COVIDhubアンサンブルよりも正確です。
  論文  参考訳（メタデータ） (2021-09-24T17:40:08Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• 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)
• Inter-Series Attention Model for COVID-19 Forecasting [23.58411106491221]
  我々は、複数の領域から得られた時系列のパターンを比較して予測を行う、Attention Crossing Time Series (textbfACTS)と呼ばれる新しいニューラル予測モデルを開発した。 新たに確認された症例、入院、死亡の予測を含む18件中13件の検査のうち、textbfACTSはCDCが強調した主要な新型コロナウイルス(COVID-19)の予測を上回っている。
  論文  参考訳（メタデータ） (2020-10-25T00:11:49Z)
• Forecasting COVID-19 daily cases using phone call data [0.0]
  本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。 提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
  論文  参考訳（メタデータ） (2020-10-05T18:07:07Z)

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。