Fugu-MT 論文翻訳(概要): Causal Fairness for Survival Analysis

論文の概要: Causal Fairness for Survival Analysis

arxiv url: http://arxiv.org/abs/2605.11362v1
Date: Tue, 12 May 2026 00:29:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-13 21:48:56.493987
Title: Causal Fairness for Survival Analysis
Title（参考訳）: 生存分析のための因果フェアネス
Abstract要約: 生存時・時間・時間分析における公平性のための因果的枠組みを構築した。これは、なぜ格差が生じるのか、そしてそれらが時間とともにどのように進化するかについて、人間の理解に足る説明を提供する。本手法は,集中治療室への入院後の人種格差の経時的変化を解析するために用いられる。
参考スコア（独自算出の注目度）: 15.736899098702972
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the data-driven era, large-scale datasets are routinely collected and analyzed using machine learning (ML) and artificial intelligence (AI) to inform decisions in high-stakes domains such as healthcare, employment, and criminal justice, raising concerns about the fairness behavior of these systems. Existing works in fair ML cover tasks such as bias detection, fair prediction, and fair decision-making, but largely focus on static settings. At the same time, fairness in temporal contexts, particularly survival/time-to-event (TTE) analysis, remains relatively underexplored, with current approaches to fair survival analysis adopting statistical fairness definitions, which, even with unlimited data, cannot disentangle the causal mechanisms that generate disparities. To address this gap, we develop a causal framework for fairness in TTE analysis, enabling the decomposition of disparities in survival into contributions from direct, indirect, and spurious pathways. This provides a human-understandable explanation of why disparities arise and how they evolve over time. Our non-parametric approach proceeds in four steps: (1) formalizing the necessary assumptions about censoring and lack of confounding using a graphical model; (2) recovering the conditional survival function given covariates; (3) applying the Causal Reduction Theorem to reframe the problem in a form amenable to causal pathway decomposition; (4) estimating the effects efficiently. Finally, our approach is used to analyze the temporal evolution of racial disparities in outcome after admission to an intensive care unit (ICU).
Abstract（参考訳）: データ駆動時代において、大規模データセットは機械学習(ML)と人工知能(AI)を使用して定期的に収集、分析され、医療、雇用、刑事司法といった高度な領域における決定を通知し、これらのシステムの公正性に関する懸念を提起する。既存のMLの作業では、バイアス検出、公正な予測、公正な意思決定といったタスクをカバーしているが、大部分が静的な設定に重点を置いている。同時に、時間的文脈における公平性、特に生存時対イベント分析(TTE)は、統計的公正性の定義を取り入れたフェアサバイバル分析への現在のアプローチにより、不均一性を生成する因果メカニズムを解き放つことはできない。このギャップに対処するために、我々はTTE分析における公平性のための因果的枠組みを開発し、生存の格差を直接的、間接的、刺激的な経路からの貢献に分解できるようにする。これは、なぜ格差が生じるのか、そしてそれらが時間とともにどのように進化するかについて、人間の理解に足る説明を提供する。筆者らの非パラメトリックなアプローチは,(1) グラフィカルモデルを用いた検閲とコンファウンディングの欠如に関する仮定の形式化,(2) 共変量による条件付き生存関数の回復,(3) 因果経路分解に寄与する形で問題を再構成するための因果還元定理の適用,(4) 効果を効率的に推定する,の4段階で進行する。最後に,集中治療室(ICU)への入院後の人種格差の経時的変化を分析した。

関連論文リスト

The Dead Salmons of AI Interpretability [9.722180905657268]
AIの解釈可能性では、同様の'デッド・サーモン'アーティファクトの報告が増えている。我々は現実的な統計的因果リフレーミングを主張する。
論文参考訳（メタデータ） (2025-12-21T16:07:44Z)
SurvDiff: A Diffusion Model for Generating Synthetic Data in Survival Analysis [34.89334607334426]
生存分析は、転移、疾患再発、または患者の死亡などの時間と時間の結果をモデル化することによって臨床研究の基盤となる。 SurvDiffは、生存分析において合成データを生成するために特別に設計されたエンドツーエンドの拡散モデルである。シュルブディフは、複数の医療データセットにおける分布的忠実度と下流評価指標の両方において、最先端の世代ベースラインを一貫して上回ることを示す。
論文参考訳（メタデータ） (2025-09-26T13:50:29Z)
Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
論文参考訳（メタデータ） (2025-05-30T07:13:01Z)
Fairness in Survival Analysis: A Novel Conditional Mutual Information Augmentation Approach [8.049552305668959]
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。
論文参考訳（メタデータ） (2025-02-04T18:40:38Z)
Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文参考訳（メタデータ） (2024-05-24T11:19:52Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
DAGnosis: Localized Identification of Data Inconsistencies using Structures [73.39285449012255]
機械学習モデルを確実に使用するためには、デプロイメント時のデータの不整合の特定と適切な処理が不可欠である。我々は,有向非巡回グラフ(DAG)を用いて,トレーニングセットの特徴分布と非依存性を構造として符号化する。我々の手法はDAGnosisと呼ばれ、これらの構造的相互作用を利用して、価値があり洞察に富んだデータ中心の結論をもたらす。
論文参考訳（メタデータ） (2024-02-26T11:29:16Z)
Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
論文参考訳（メタデータ） (2023-10-24T02:56:05Z)
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)
Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文参考訳（メタデータ） (2022-07-23T01:06:34Z)
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)

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。