分布鲁棒生存分析：一种无需人口统计信息的新型公平性损失
机器学习
2022-11-22 v1 机器学习
摘要
我们提出了一种用于训练生存分析模型的通用方法，该方法在所有足够大（出现概率至少为用户输入的最小概率）的子群体上最小化最坏情况误差。该方法使用的训练损失函数不知道任何应视为敏感的人口统计信息。尽管如此，我们证明，与包括在其训练损失中直接使用敏感人口统计信息的各种基线相比，我们提出的方法在最近建立的公平性指标上通常得分更高（且预测精度无显著下降）。我们的代码可在 https://github.com/discovershu/DRO_COX 获取。
引用
@article{arxiv.2211.10508,
title = {Distributionally Robust Survival Analysis: A Novel Fairness Loss Without Demographics},
author = {Shu Hu and George H. Chen},
journal= {arXiv preprint arXiv:2211.10508},
year = {2022}
}
备注
Machine Learning for Health (ML4H 2022)