通过公平组构建实现医疗补助资格判定的公平性
机器学习
2019-06-04 v1 人工智能
计算机与社会
机器学习
摘要
作为对人类判断的有效补充，人工智能技术已在世界范围内开始辅助人类解决复杂社会问题中的决策。例如在美国，自动化 ML/DL 分类模型为判定医疗补助（Medicaid）资格提供了对人类决策的补充。然而，鉴于 ML/DL 模型设计的局限性，这些算法可能未能利用多种因素进行决策，导致将资源分配给未必最需要的个体的不当决定。针对此问题，本文基于“差别影响（disparate impact）”法律原则，提出“公平组构建（fairgroup construction）”方法，以改进回归分类器的公平性。在美国社区调查（American Community Survey）数据集上的实验表明，我们的方法可轻松适配多种回归分类模型，在保持高分类准确率的同时提升其在判定医疗补助资格上的公平性。
引用
@article{arxiv.1906.00128,
title = {Achieving Fairness in Determining Medicaid Eligibility through Fairgroup Construction},
author = {Boli Fang and Miao Jiang and Jerry Shen},
journal= {arXiv preprint arXiv:1906.00128},
year = {2019}
}