論文の概要: Fairness in Survival Analysis: A Novel Conditional Mutual Information Augmentation Approach
- arxiv url: http://arxiv.org/abs/2502.02567v1
- Date: Tue, 04 Feb 2025 18:40:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 15:02:38.306039
- Title: Fairness in Survival Analysis: A Novel Conditional Mutual Information Augmentation Approach
- Title(参考訳): 生存分析における公正性:新しい条件付き相互情報強化アプローチ
- Authors: Tianyang Xie, Yong Ge,
- Abstract要約: 生存分析における等化奇数 (EO) という新たなフェアネスの概念を導入し, 予め定義された時点における予測公平性を強調する。
我々の条件付き相互情報拡張(CMIA)アプローチは,予測精度と公平性を効果的にバランスさせることができる。
- 参考スコア(独自算出の注目度): 8.049552305668959
- License:
- Abstract: Survival analysis, a vital tool for predicting the time to event, has been used in many domains such as healthcare, criminal justice, and finance. Like classification tasks, survival analysis can exhibit bias against disadvantaged groups, often due to biases inherent in data or algorithms. Several studies in both the IS and CS communities have attempted to address fairness in survival analysis. However, existing methods often overlook the importance of prediction fairness at pre-defined evaluation time points, which is crucial in real-world applications where decision making often hinges on specific time frames. To address this critical research gap, we introduce a new fairness concept: equalized odds (EO) in survival analysis, which emphasizes prediction fairness at pre-defined time points. To achieve the EO fairness in survival analysis, we propose a Conditional Mutual Information Augmentation (CMIA) approach, which features a novel fairness regularization term based on conditional mutual information and an innovative censored data augmentation technique. Our CMIA approach can effectively balance prediction accuracy and fairness, and it is applicable to various survival models. We evaluate the CMIA approach against several state-of-the-art methods within three different application domains, and the results demonstrate that CMIA consistently reduces prediction disparity while maintaining good accuracy and significantly outperforms the other competing methods across multiple datasets and survival models (e.g., linear COX, deep AFT).
- Abstract(参考訳): イベントの時間を予測する重要なツールである生存分析は、医療、刑事司法、財務などの多くの領域で使われている。
分類タスクと同様に、生存分析は不利なグループに対するバイアスを示すことがある。
ISとCSのコミュニティにおけるいくつかの研究は、生存分析における公正性に対処しようと試みている。
しかし、既存の手法は、事前に定義された評価時点における予測公正性の重要性を無視することが多い。
この重要な研究ギャップに対処するため、我々は生存分析における等化確率(EO)という新たなフェアネスの概念を導入し、事前定義された時点における予測フェアネスを強調した。
生存分析におけるEOフェアネスを実現するために,条件付き相互情報に基づく新たな公正性正規化項と,革新的な検閲されたデータ強化手法を特徴とする条件付き相互情報拡張(CMIA)手法を提案する。
我々のCMIAアプローチは予測精度と公平性を効果的にバランスでき、様々な生存モデルに適用できる。
その結果、CMIAは精度を保ちながら予測格差を一貫して低減し、複数のデータセットやサバイバルモデル(線形COX、深部AFTなど)で競合する手法を著しく上回っていることがわかった。
関連論文リスト
- Targeted Data Fusion for Causal Survival Analysis Under Distribution Shift [46.84912148188679]
因果推論は、科学的発見の一般化可能性、輸送性、複製性を改善する可能性がある。
既存のデータ融合手法はバイナリや連続的な結果に重点を置いている。
マルチソース因果サバイバル分析のための2つの新しい手法を提案する。
論文 参考訳(メタデータ) (2025-01-30T23:21:25Z) - Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks [6.9648613217501705]
SurvivalBoostは、4つの実生活データセットで12の最先端モデルを上回っている。
優れたキャリブレーション、任意の時間軸にわたって予測する機能、既存のメソッドよりも高速な計算時間を提供する。
論文 参考訳(メタデータ) (2024-10-22T07:33:34Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳(メタデータ) (2023-09-07T17:07:33Z) - Contrastive Learning of Temporal Distinctiveness for Survival Analysis
in Electronic Health Records [10.192973297290136]
本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。
OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。
急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
論文 参考訳(メタデータ) (2023-08-24T22:36:22Z) - Regions of Reliability in the Evaluation of Multivariate Probabilistic
Forecasts [73.33395097728128]
時系列予測評価のための適切なスコアリングルールに関する最初の体系的な有限サンプル研究を提供する。
本研究では, 地中構造と予測分布のいくつかの重要な相違点をテストするために, 総合的な総合的合成ベンチマークを用いて解析を行った。
論文 参考訳(メタデータ) (2023-04-19T17:38:42Z) - 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) - Flexible Group Fairness Metrics for Survival Analysis [0.0]
グループフェアネスの指標を用いて、既存の生存率を使ってバイアスを測定する方法について検討する。
偏見の尺度は偏見をよく捉えられるが、校正や採点ルールの尺度では明瞭さが低い。
論文 参考訳(メタデータ) (2022-05-26T20:55:55Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z) - Variational Learning of Individual Survival Distributions [21.40142425105635]
本稿では,分散学習技術とディープニューラルネットワークの最近の進歩を基盤として,変分生存推定(VSI)と呼ばれる変動時間対イベント予測モデルを提案する。
提案手法の有効性を検証するため, 合成および実世界の両方のデータセットに対する広範な実験を行い, 競合するソリューションと比較して性能が向上したことを示す。
論文 参考訳(メタデータ) (2020-03-09T22:09:51Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳(メタデータ) (2020-02-29T22:41:21Z)
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。