评估医疗机器学习中的公平特征选择

随着机器学习在医疗保健领域的普遍采用，自动化社会偏见从而进一步加剧健康差异的潜在风险构成了重大威胁。我们从特征选择的角度探讨算法公平性。传统的特征选择方法通过移除资源密集、相关或无关的特征来识别用于更好决策的特征，但忽略了这些因素在不同子群体间可能存在的差异。为应对这些问题，我们评估了一种公平特征选择方法，该方法对所有人口统计学群体赋予同等重要性。我们在特征选择过程中联合考虑了公平性度量和误差度量，以确保在最小化偏差和全局分类误差之间取得平衡。我们在三个公开可用的医疗数据集上测试了我们的方法。在所有三个数据集上，我们观察到公平性度量的提升，同时平衡准确率的下降极小。我们的方法在公平机器学习背景下同时解决了分配公平和程序公平问题。