DemOpts：新冠肺炎病例预测模型中的公平性校正
机器学习
2024-05-21 v2 计算机与社会
摘要
新冠肺炎预测模型已被用于指导资源分配和干预决策，如医院病床或居家令。先进的深度学习模型通常使用多模态数据，如流动性或社会人口统计数据，以增强新冠肺炎病例预测模型。然而，相关研究揭示了新冠肺炎病例存在报告偏差，以及某些少数族裔在流动性数据中存在抽样偏差，这可能反过来影响沿种族标签的新冠肺炎预测的公平性。本文表明，先进的深度学习模型在不同种族和族裔群体之间的输出平均预测误差显著不同；这反过来可能支持不公平的政策决策。我们还提出了一种新颖的去偏方法，DemOpts，用于提高在可能存在偏差数据集上训练的深度学习预测模型的公平性。我们的结果表明，DemOpts 能实现比其他先进去偏方法更好的误差公平性，从而有效减少跨更多种族和族裔群体的平均误差分布差异。
引用
@article{arxiv.2405.09483,
title = {DemOpts: Fairness corrections in COVID-19 case prediction models},
author = {Naman Awasthi and Saad Abrar and Daniel Smolyak and Vanessa Frias-Martinez},
journal= {arXiv preprint arXiv:2405.09483},
year = {2024}
}