論文の概要: Fairness Metrics based on the AUC in Clinical Predictive AI
- arxiv url: http://arxiv.org/abs/2611.05222v1
- Date: Tue, 03 Nov 2026 17:07:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 13:40:08.033932
- Title: Fairness Metrics based on the AUC in Clinical Predictive AI
- Title(参考訳): 臨床予測AIにおけるAUCに基づく公正度測定
- Abstract要約: AUCは非可算計量であることが示されている。
これは、既存のAUCベースの公正度メトリクスをどのように使用し解釈すべきかに関する重要な疑問を提起する。
- 参考スコア(独自算出の注目度): 0.7503129292751939
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Fairness evaluation of clinical prediction models for binary outcomes often involves fairness metrics that compare the area under the receiver operating characteristic curve (AUC, or c-statistic) across subgroups. However, the AUC has been shown to be a non-collapsible metric, meaning that its subgroup specific and overall values are not directly comparable as often implicitly assumed. This raises important questions about how existing AUC-based fairness metrics should be used and interpreted. We examine eight AUC-based fairness metrics proposed in the literature, including: within-group AUC parity; cross-group AUC (xAUC) parity; gap-to-overall AUC; equity-scaled AUC; minimum-based metrics; $\mathrm{xAUC}^1$; $\mathrm{xAUC}^0$; and $\mathrm{xAUC}^1$ or $\mathrm{xAUC}^0$ parity. We characterise their estimands, relate them to the decomposition of overall AUC (into within- and cross-group components), and critically appraise them. We then illustrate their behaviour using simulations based on the EuroSCORE II, a clinical prediction model for in-hospital mortality. We recommend reporting an AUC matrix, containing the overall AUC and all within- and cross-group AUC components, alongside population characteristics. When fairness metrics are needed, we recommend reporting the within-group AUC parity, with cross-group AUC parity providing supplementary information but requiring caution due to its potential conflict with calibration. Metrics involving $\mathrm{xAUC}^1$ and $\mathrm{xAUC}^0$ have merit, summarising within- and cross-group AUCs into single values, but their interpretation is non-trivial, and they should be used with caution. Gap-to-overall AUC, equity-scaled AUC, and minimum-based metrics compare quantities that should not be compared and it is unclear how to operationalise them, making them not fit for purpose and generally not recommended.
- Abstract(参考訳): バイナリー結果に対する臨床予測モデルの公平性評価には、サブグループ間で受信者操作特性曲線(AUC、c-statistic)の下の領域を比較する公平性指標が伴うことが多い。
しかしながら、AUCは非可算計量であることが示されており、これはその部分群特異値と全体値が暗黙的に仮定されるほど直接的に比較されないことを意味する。
これにより、既存のAUCベースの公正度メトリクスをどのように使用して解釈すべきかに関する重要な疑問が提起される。
文献で提案されているAUCの公平度尺度は,内集団AUCパリティ,クロスグループAUC(xAUC)パリティ,ギャップ・ツー・オーバーオールAUC,エクイティスケールAUC,最小基準メトリクス,$\mathrm{xAUC}^1$,$\mathrm{xAUC}^0$,$\mathrm{xAUC}^1$,$\mathrm{xAUC}^0$である。
我々は、それらの評価を特徴付け、それらを全体AUC(内部および群間コンポーネント)の分解に関連付け、それらを批判的に評価する。
次に, 院内死亡の予測モデルである EuroSCORE II に基づくシミュレーションを用いて, その挙動を解説する。
人口特性とともに,全AUCおよび全内部およびクロスグループAUC成分を含むAUC行列の報告を推奨する。
公平度指標が必要な場合には、校正と対立する可能性があるため、補助情報を提供するクロスグループAUCパリティを用いて、グループ内AUCパリティを報告することを推奨する。
$\mathrm{xAUC}^1$ と $\mathrm{xAUC}^0$ を含むメトリクスは、AUCの内部および横断的なAUCを単一の値に要約するが、それらの解釈は自明ではない。
ギャップ・ツー・オーバーオールのAUC、エクイティスケールのAUC、最小ベースのメトリクスは、比較すべきでない量を比較し、どのように運用するかは不明であり、目的に適せず、一般的には推奨されない。
関連論文リスト
- Pairwise AUC Optimization Needs Corrective Power: A Unified View [91.5488253165522]
ペアワイドのミニバッチ更新が、より厳格なランキングエラーに対して、より強く信頼性の高い改善をもたらすかどうかを検討する。
我々の主な観察では、直接的なペアワイズトレーニングは、深刻なエラーが相変わらずありふれた領域に入ることができるが、もはや有用な修正動作は生じない。
論文 参考訳(メタデータ) (2026-10-15T12:02:54Z) - Statistical Consistency and Generalization of Contrastive Representation Learning [42.5330360355431]
コントラスト表現学習のための統一統計学習理論を開発した。
下流タスクに対しては,AUC型集団基準を用いて検索品質を評価する。
我々は,過剰なコントラストリスクと過剰な検索最適度を定量的に関連づけるエンファンキャリレーション型不等式を確立する。
論文 参考訳(メタデータ) (2026-05-04T00:38:29Z) - Weakly Supervised AUC Optimization: A Unified Partial AUC Approach [53.59993683627623]
本稿では,弱い教師付きAUC最適化問題に対する統一的なフレームワークであるWSAUCを提案する。
まず, 汚染された集合に対するAUCリスクを最小化するための共通定式化として, 各種弱教師付きシナリオにおけるAUC最適化問題を考察した。
次に, 汚染ラベルの存在下でのAUCの堅牢なトレーニング目標となる, 新しい部分的AUC, 特に逆部分的AUC (rpAUC) を導入する。
論文 参考訳(メタデータ) (2023-05-23T17:11:33Z) - Asymptotically Unbiased Instance-wise Regularized Partial AUC
Optimization: Theory and Algorithm [101.44676036551537]
One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。
既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。
本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
論文 参考訳(メタデータ) (2022-10-08T08:26:22Z) - Minimax AUC Fairness: Efficient Algorithm with Provable Convergence [35.045187964671335]
実用性を維持しつつ,グループ内AUCとグループ間AUCの両方を組み込んだミニマックス学習・バイアス軽減フレームワークを提案する。
この枠組みに基づいて,効率的な最適化アルゴリズムを設計し,その最小グループレベルのAUCへの収束性を証明する。
論文 参考訳(メタデータ) (2022-08-22T17:11:45Z) - Balanced Self-Paced Learning for AUC Maximization [88.53174245457268]
既存のセルフパッチ方式は、ポイントワイズAUCに限られている。
我々のアルゴリズムは閉形式解に基づいて定常点に収束する。
論文 参考訳(メタデータ) (2022-07-08T02:09:32Z) - Attributing AUC-ROC to Analyze Binary Classifier Performance [13.192005156790302]
本稿では,AUC-ROC(Area Under the Receiver Operating Characteristics Curve)を人間の解釈可能な次元に沿って分割する手法について議論する。
AUC-ROCはデータサンプル上の加算/線形関数ではないので、AUC-ROC全体のセグメント化はデータセグメントのAUC-ROCの集計とは異なる。
論文 参考訳(メタデータ) (2022-05-24T04:42:52Z) - Fairness for AUC via Feature Augmentation [25.819342066717002]
本研究では,受信機動作特性の曲線 (AUC) の下の領域で性能が測定される分類の文脈における公平さについて検討する。
識別可能なグループ間のバイアスを軽減するため,特徴増強(追加機能)に基づく新しいアプローチである FairAUC を開発した。
論文 参考訳(メタデータ) (2021-11-24T22:32:19Z) - Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。
本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文 参考訳(メタデータ) (2021-07-28T05:18:10Z)
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。