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)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• 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)
• 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)
• Clinical trial site matching with improved diversity using fair policy learning [56.01170456417214]
  我々は,臨床治験記述を潜在的な試験現場のランクリストにマッピングするモデルを学習する。 既存のフェアネスフレームワークとは異なり、各トライアルサイトのグループメンバーシップは非バイナリである。 このようなマルチグループメンバーシップシナリオに対処するために、人口統計学的妥当性に基づく公平性基準を提案する。
  論文  参考訳（メタデータ） (2022-04-13T16:35:28Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)

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。