論文の概要: Diachronic and synchronic variation in the performance of adaptive machine learning systems: The ethical challenges

• arxiv url: http://arxiv.org/abs/2504.08861v1
• Date: Fri, 11 Apr 2025 09:01:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:56:12.211690
• Title: Diachronic and synchronic variation in the performance of adaptive machine learning systems: The ethical challenges
• Title（参考訳）: 適応型機械学習システムの性能における二時間的・同期的変動--倫理的課題
• Authors: Joshua Hatherley, Robert Sparrow,
• Abstract要約: 医学における「適応的」MLシステムの利用により生じる倫理的問題の範囲についてチュートリアルを行う。 このチュートリアルのターゲットは、機械学習AIシステムの開発者、医療規制当局、幅広い医療情報コミュニティ、臨床医の実践である。
• 参考スコア（独自算出の注目度）: 2.7624021966289605
• License:
• Abstract: Objectives: Machine learning (ML) has the potential to facilitate "continual learning" in medicine, in which an ML system continues to evolve in response to exposure to new data over time, even after being deployed in a clinical setting. In this paper, we provide a tutorial on the range of ethical issues raised by the use of such "adaptive" ML systems in medicine that have, thus far, been neglected in the literature. Target audience: The target audiences for this tutorial are the developers of machine learning AI systems, healthcare regulators, the broader medical informatics community, and practicing clinicians. Scope: Discussions of adaptive ML systems to date have overlooked the distinction between two sorts of variance that such systems may exhibit -- diachronic evolution (change over time) and synchronic variation (difference between cotemporaneous instantiations of the algorithm at different sites) -- and under-estimated the significance of the latter. We highlight the challenges that diachronic evolution and synchronic variation present for the quality of patient care, informed consent, and equity, and discuss the complex ethical trade-offs involved in the design of such systems.
• Abstract（参考訳）: 目的: 機械学習(ML)は医学における「連続的な学習」を促進する可能性を秘めている。 本稿では,医学における「適応的」MLシステムの利用による倫理的問題の範囲について,これまで文献で無視されてきたチュートリアルについて述べる。 ターゲットオーディエンス: このチュートリアルのターゲットオーディエンスには、機械学習AIシステム、医療規制機関、幅広い医療情報機関コミュニティ、臨床医の実践がある。 スコープ: 適応MLシステムの議論は、このようなシステムが示す可能性のある2種類の分散 - 時相進化(時間とともに変化する)と同期変動(異なる場所でのアルゴリズムの同時インスタンス間の差) - の区別を見落とし、後者の重要性を過小評価している。 本稿では,患者ケアの質,インフォームド・コンセント,エクイティなどにおいて,ダイアクロニックな進化と同期的変化がもたらす課題を強調し,そのようなシステムの設計に関わる複雑な倫理的トレードオフについて議論する。

関連論文リスト

• Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
  実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。 概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。 我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:05:51Z)
• TS-MoCo: Time-Series Momentum Contrast for Self-Supervised Physiological Representation Learning [8.129782272731397]
  ラベルを必要とせずに様々な生理領域から表現を学習するために,モーメントコントラストを持つ自己教師型学習に依存した新しい符号化フレームワークを提案する。 我々の自己教師型学習アプローチは、下流の分類タスクで活用できる差別的特徴を実際に学習できることを示します。
  論文  参考訳（メタデータ） (2023-06-10T21:17:42Z)
• A Domain-Agnostic Approach for Characterization of Lifelong Learning Systems [128.63953314853327]
  「生涯学習」システムには,1)継続的学習,2)伝達と適応,3)拡張性があります。 この一連のメトリクスは、様々な複雑な生涯学習システムの開発に役立てることができることを示す。
  論文  参考訳（メタデータ） (2023-01-18T21:58:54Z)
• 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)
• Causal Machine Learning for Healthcare and Precision Medicine [16.846051073534966]
  因果機械学習(CML)は、医療で人気が高まっている。 臨床意思決定支援システムの様々な側面に因果推論を組み込む方法について検討する。
  論文  参考訳（メタデータ） (2022-05-23T15:45:21Z)
• Lifelong Self-Adaptation: Self-Adaptation Meets Lifelong Machine Learning [14.893661749381868]
  我々は、生涯ML層を用いた機械学習技術を用いた自己適応システムに対する新しいアプローチとして、テキストライフロング自己適応を提案する。 生涯にわたるMLレイヤは、実行システムとその環境を追跡し、この知識を現在のタスクに関連付け、微分に基づいて新しいタスクを特定し、それに従って自己適応システムの学習モデルを更新する。 本稿では、生涯にわたる自己適応のための再利用可能なアーキテクチャを提案し、自己適応における意思決定に使用される学習モデルの入力データの予期せぬ変化によって引き起こされる概念漂流の場合に適用する。
  論文  参考訳（メタデータ） (2022-04-04T20:35:55Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)

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。

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。