面向心理健康预测的偏差消减多任务学习

近年来，由于社会中心理健康问题增加，开发用于心理健康检测或预测的机器学习模型的研究有所增长。有效使用心理健康预测或检测模型可帮助心理健康从业者比当前更客观地重新定义精神疾病，并在干预可能更有效的更早阶段识别疾病。然而，该领域仍缺乏评估此类机器学习模型偏差的标准，导致在提供可靠预测和处理差异方面存在挑战。由于缺乏标准的情况持续存在，原因包括技术困难、高维临床健康数据的复杂性等，对于生理信号尤其如此。这一点，加上先前关于某些生理信号与特定人口统计身份之间关系的证据，重申了探索利用生理信号的心理健康预测模型中偏差的重要性。在这项工作中，我们旨在使用 ECG 数据对焦虑预测模型进行公平性分析，并实现一种基于多任务学习的偏差缓解方法。我们的方法基于认知不确定性及其与模型权重和特征空间表示之间关系的思想。我们的分析表明，我们的焦虑预测基础模型在年龄、收入、种族以及参与者是否在美国出生方面引入了某些偏差，并且与重加权缓解技术相比，我们的偏差缓解方法在减少模型偏差方面表现更好。我们对特征重要性的分析还有助于识别心率变异性与多个人口统计分组之间的关系。