Aug, 2022

临床存在下的填补策略：对算法公平性的影响

PDF
TL;DR本文探讨了在机器学习过程中常被忽略的数据预处理步骤 —— 数据填补，对医疗领域存在的偏见和影响较大的群体不平等性产生的影响，并提出了缓解不平等的建议。
medical biasesalgorithmic fairnessimputationmarginalized groupsmachine learning pipeline
发现论文，激发创造
  • 适应缺失值的公平干预

    该论文研究了缺失数据对算法公平性的影响，并提出了一种可扩展和自适应的公平分类算法来处理所有可能的缺失模式，以保留缺失模式中编码的信息，并在多个数据集上实验证明该算法相比于传统的 impute-then-classify 方法在公平性和准确性上具有优势。

    May, 2023

  • 缺失数据填补中的公平性

    本研究探讨了缺失数据补全方法的公平性，发现缺失值补全在敏感群体中存在公平性问题，因此有必要对相关因素进行仔细研究，以减少与缺失数据补全相关的不公平性。

    Oct, 2021

  • 临床风险预测公平机器学习的实证表征

    该研究探讨了使用机器学习指导临床决策可能加剧现有的健康差距问题的潜力，并分析了算法公平的适用性、技术限制以及与机器学习在医疗保健中使用相关的社会技术背景。研究结果表明，在对各组之间的预测分布差异进行惩罚的情况下，几乎所有团体内的多项绩效指标都会降低，并且算法公平性方法在消除健康差距方面仍存在许多有待解决的问题。

    Jul, 2020

  • 公平性与缺失值

    本文旨在研究如何在机器学习中处理缺失数据，以提高公平性决策的准确性，发现缺失数据与数据偏差现象紧密相关，而此前的研究却没有充分考虑缺失数据问题。

    May, 2019

  • 比较多重插补技术的方法：以美国国家 COVID 队列合作为例的案例研究

    本研究提出了一种新的框架，以数字方式评估在统计分析背景下处理缺失数据的策略，特别关注多重插补技术，并在 National COVID Cohort Collaborative 提供的大型 2 型糖尿病患者队列上进行了实证研究，结果显示多重插补技术可以有效地处理缺失数据。

    Jun, 2022

  • 差异特征未报告对算法公平性的影响

    本研究提出了一个分析可追踪的差异特征低报告模型，并用此模型来表征此类数据偏差对算法公平性的影响。我们证明在实际数据环境中，低报告通常导致不公平的增加，而我们提出的解决方案方法成功地减轻了不公平的增加。

    Jan, 2024

  • 算法公平中建模数据缺失的重要性：因果视角

    本文使用因果图的方法，研究了机器学习中缺失数据的情况对公平性算法的影响，提出了一个算法可在多阶段决策中实现分散决策的同时保持性能相似。

    Dec, 2020

  • 机器学习在公共政策领域中公平性和准确性之间取得的可忽略权衡的经验观察

    使用机器学习来减少公平性差异和确保准确性在真实世界中的平衡是政策制定者关注的问题，本文通过实证研究发现，在教育、心理健康、刑事司法和住房安全等领域中使用后期处理措施来解决公平性问题，能够显著提高公平性而不牺牲准确性，实现在政策中使用机器学习的目的。

    Dec, 2020

  • 基于健康数据库的预测模型缺失值处理方法的基准测试

    本文系统评估了处理缺失值的策略在预测模型中的效果，重点关注大型健康数据库，结果表明，在监督式机器学习中自然支持的缺失值预测表现优于最先进的插补方法，且计算成本更低。

    Feb, 2022

  • 关于随机种子对临床分类器公平性的影响

    本研究探究了深度学习模型训练中随机种子变化对模型公平性的影响，并使用 MIMIC-III 的临床预测任务验证了该现象，结果显示小样本和随机性可能导致结果的表面差异，同时同时优化高性能和低差异性并不能显著提高模型性能。

    Apr, 2021