Fugu-MT 論文翻訳(概要): What is Fair? Defining Fairness in Machine Learning for Health

論文の概要: What is Fair? Defining Fairness in Machine Learning for Health

arxiv url: http://arxiv.org/abs/2406.09307v4
Date: Thu, 14 Nov 2024 18:45:35 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-18 15:36:49.098466
Title: What is Fair? Defining Fairness in Machine Learning for Health
Title（参考訳）: フェアとは何か? 健康のための機械学習におけるフェアネスの定義
Authors: Jianhui Gao, Benson Chou, Zachary R. McCaw, Hilary Thurston, Paul Varghese, Chuan Hong, Jessica Gronsbell,
Abstract要約: 本稿では,健康のための機械学習におけるフェアネスの概念について検討する。本研究は、一般に使われている公正度指標の概要と、公開電子健康記録データセットのケーススタディによる議論を補完するものである。また、健康の公平性を定義する上での現在の課題と機会を強調し、今後の研究の展望についても論じる。
参考スコア（独自算出の注目度）: 0.6311610943467981
License:
Abstract: Ensuring that machine learning (ML) models are safe, effective, and equitable across all patient groups is essential for clinical decision-making and for preventing the reinforcement of existing health disparities. This review examines notions of fairness used in ML for health, including a review of why ML models can be unfair and how fairness has been quantified in a wide range of real-world examples. We provide an overview of commonly used fairness metrics and supplement our discussion with a case-study of an openly available electronic health record (EHR) dataset. We also discuss the outlook for future research, highlighting current challenges and opportunities in defining fairness in health.
Abstract（参考訳）: 機械学習(ML)モデルが安全で効果的であり、すべての患者グループに公平であることを保証することは、臨床的な意思決定と既存の健康格差の強化に不可欠である。このレビューでは、MLモデルが不公平である理由や、さまざまな実世界の事例において、フェアネスがどのように定量化されているかについてのレビューを含む、健康のためにMLで使用されるフェアネスの概念について検討する。本稿では,一般に使用されている公正度指標の概要と,公開電子健康記録(EHR)データセットのケーススタディによる議論を補完する。また、健康の公平性を定義する上での現在の課題と機会を強調し、今後の研究の展望についても論じる。

関連論文リスト

FairFML: Fair Federated Machine Learning with a Case Study on Reducing Gender Disparities in Cardiac Arrest Outcome Prediction [10.016644624468762]
本稿では,Fair Federated Machine Learning (FairFML)について紹介する。概念実証として,心停止予測における性差の低減を目的とした実世界の臨床ケーススタディを用いて,FairFMLを検証した。その結果,FairFMLは局所モデルと集中モデルの両方に匹敵する性能を維持しながら,集中モデルと比較して最大65%のモデルフェアネス向上を実現していることがわかった。
論文参考訳（メタデータ） (2024-10-07T13:02:04Z)
Fairness in Machine Learning meets with Equity in Healthcare [6.842248432925292]
本研究では,データやモデルのバイアスを識別・緩和する人工知能フレームワークを提案する。ケーススタディでは、データの体系的バイアスがモデル予測における増幅バイアスにどのように寄与するかを示す。今後の研究は、提案するMLフレームワークを実世界の臨床環境でテストし、検証することを目的としており、その影響が健康株の促進に与える影響を評価する。
論文参考訳（メタデータ） (2023-05-11T14:25:34Z)
Connecting Fairness in Machine Learning with Public Health Equity [0.0]
データとモデル設計のバイアスは、特定の保護されたグループの格差をもたらし、医療における既存の不平等を増幅します。本研究は,MLフェアネスに関する基礎文献を要約し,データとモデルのバイアスを特定し緩和するための枠組みを提案する。ケーススタディは、このフレームワークがこれらのバイアスを防ぎ、公衆衛生における公平で公平なMLモデルの必要性を強調するためにどのように使用できるかを示している。
論文参考訳（メタデータ） (2023-04-08T10:21:49Z)
Globalizing Fairness Attributes in Machine Learning: A Case Study on Health in Africa [8.566023181495929]
フェアネスは、アフリカにおける世界的な健康に影響を及ぼすが、既にグローバル・ノースとサウスの間には不平等な権力不均衡がある。本稿では,アフリカの文脈で考慮すべき公平性属性を提案し,それらがML対応の異なる医療モダリティでどのような役割を果たすのかを明記する。
論文参考訳（メタデータ） (2023-04-05T02:10:53Z)
Privacy-preserving machine learning for healthcare: open challenges and future perspectives [72.43506759789861]
医療におけるプライバシー保護機械学習(PPML)に関する最近の文献を概観する。プライバシ保護トレーニングと推論・アズ・ア・サービスに重点を置いています。このレビューの目的は、医療におけるプライベートかつ効率的なMLモデルの開発をガイドすることである。
論文参考訳（メタデータ） (2023-03-27T19:20:51Z)
Auditing Algorithmic Fairness in Machine Learning for Health with Severity-Based LOGAN [70.76142503046782]
臨床予測タスクにおいて,局所バイアスを自動検出するSLOGANを用いて,機械学習ベースの医療ツールを補足することを提案する。 LOGANは、患者の重症度と過去の医療史における集団バイアス検出を文脈化することにより、既存のツールであるLOcal Group biAs detectioNに適応する。 SLOGANは, クラスタリング品質を維持しながら, 患者群の75%以上において, SLOGANよりも高い公平性を示す。
論文参考訳（メタデータ） (2022-11-16T08:04:12Z)
Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文参考訳（メタデータ） (2022-07-21T09:35:38Z)
Fair Machine Learning in Healthcare: A Review [90.22219142430146]
我々は、機械学習と医療格差における公正性の交差を分析する。機械学習の観点から、関連する公正度メトリクスを批判的にレビューする。本稿では,医療における倫理的かつ公平なMLアプリケーション開発を約束する新たな研究指針を提案する。
論文参考訳（メタデータ） (2022-06-29T04:32:10Z)
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)
Technical Challenges for Training Fair Neural Networks [62.466658247995404]
最先端のアーキテクチャを用いて顔認識と自動診断データセットの実験を行います。我々は、大きなモデルは公平さの目標に過度に適合し、意図しない、望ましくない結果を生み出すことを観察する。
論文参考訳（メタデータ） (2021-02-12T20:36:45Z)

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。