多模态临床自然语言处理中文本特定与黑盒公平性算法的探索
计算与语言
2021-06-11 v2 人工智能
摘要
临床机器学习日益多模态化，既以结构化表格形式收集，也以自由文本等非结构化形式收集。我们提出了一种在新颖任务上探索多模态临床数据集公平性的工作，针对下游医疗预测任务采用均等几率。为此，我们研究了一种模态无关的公平性算法——均等几率后处理——并将其与一种文本特定的公平性算法进行比较：去偏临床词嵌入。尽管去偏词嵌入并未显式解决受保护群体的均等几率问题，我们表明，文本特定的公平性方法可同时实现性能与经典公平性概念的良好平衡。我们希望我们的论文能启发未来在临床NLP与公平性关键交叉领域的贡献。完整源代码见：https://github.com/johntiger1/multimodal_fairness
引用
@article{arxiv.2011.09625,
title = {Exploring Text Specific and Blackbox Fairness Algorithms in Multimodal Clinical NLP},
author = {John Chen and Ian Berlot-Attwell and Safwan Hossain and Xindi Wang and Frank Rudzicz},
journal= {arXiv preprint arXiv:2011.09625},
year = {2021}
}
备注
Best paper award at 3rd Clinical Natural Language Processing Workshop at EMNLP 2020