TL;DR
- چکیده: هدف: انصاف الگوریتمیبرای یادگیری ماشینی عادلانه و قابل اعتماد در مراقبتهای بهداشتی ضروری است.
- اکثر ابزارهای انصاف بر مقایسههای جمعیتی تک محوری تأکید میکنند و ممکن است تفاوتهای ترکیبی مؤثر بر جمعیتهای.
- متقاطع را از دست بدهند.
چه اتفاقی افتاد
چکیده: هدف: انصاف الگوریتمیبرای یادگیری ماشینی عادلانه و قابل اعتماد در مراقبتهای بهداشتی ضروری است. اکثر ابزارهای انصاف بر مقایسههای جمعیتی تک محوری تأکید میکنند و ممکن است تفاوتهای ترکیبی مؤثر بر جمعیتهای.
متقاطع را از دست بدهند. این مطالعه Fairlogue را معرفی میکند،.
یک ابزار طراحی شده برای عملیاتی کردن ارزیابی انصاف متقاطع در زمینههای مشاهدهای و خلاف واقع در تنظیمات. بالینی.
روشها:. Fairlogue یک جعبه ابزار مبتنی بر پایتون است که از سه جزء تشکیل شده است:.
1) یک چارچوب مشاهدهای که برابری جمعیتی،. شانس برابر و تفاوت فرصتهای برابر را به جمعیتهای متقاطع گسترش میدهد.
2) یک چارچوب خلاف واقع که انصاف را در زمینههای مبتنی بر درمان ارزیابی میکند. و 3) یک چارچوب خلاف واقع تعمیم یافته که انصاف را تحت مداخلات در مورد عضویت گروه متقاطع.
ارزیابی میکند. جعبه ابزار بود با استفاده از دادههای پرونده سلامت الکترونیکی از مجموعه دادههای همه ما کنترل شده ردیف.
V8 در یک کار پیشبینی جراحی گلوکوم با استفاده از رگرسیون لجستیک با نژاد و جنسیت بهعنوان ویژگیهای. محافظتشده ارزیابی شد.
نتایج:. تجزیه و تحلیل مشاهدهای تفاوتهای متقاطع قابل توجهی را با وجود عملکرد متوسط مدل شناسایی کرد.
(AUROC = 0. 709؛ دقت = 0.
651). ارزیابی متقاطع شکافهای انصافی بزرگتری را نسبت به تحلیلهای تک محوری نشان داد،.
از جمله تفاوتهای برابری جمعیتی 0. 20 و شکافهای نرخ مثبت واقعی و کاذب برابر با 0.
33 و 0. 15، به ترتیب.
تجزیه و تحلیل خلاف واقع با استفاده از توزیعهای تهی مبتنی بر جایگشت،. تخمینهای ناعادلانه ("u-value") نزدیک به صفر را ایجاد کرد،.
که نشان میدهد تفاوتهای مشاهدهشده با شانس پس از شرطی کردن متغیرهای کمکی سازگار است. نتیجه گیری:.
Fairlogue یک جعبه ابزار مدولار ارائه میدهد که روشهای مشاهدهای و خلاف واقع را یکپارچه. میکند.
کمیسازی و ارزیابی سوگیری متقاطع در جریان کار یادگیری ماشین بالینی یادگیری ماشین (cs. LG)؛ روشهای کمی (q-bio.
QM) استناد بهعنوان: (یا v1 [cs. LG] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Nicholas Souligne [مشاهده ایمیل] [v1] دوشنبه،.
6 آوریل 2026،. 17:.
03:. 03 UTC (428 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.