基于比例多重校准的公平入院风险预测

公平校准是风险预测场景中广泛期望的公平性准则。衡量并实现公平校准的一种方式是多重校准。多重校准在保持整体校准的同时,约束灵活定义的子群体间的校准误差。然而,多重校准模型可能在基础率较低的群体中表现出比基础率较高群体更高的百分比校准误差。因此,决策者有可能学会信任或怀疑模型对特定群体的预测。为缓解此问题,我们提出\emph{比例多重校准},一种约束群体间及预测分箱内的百分比校准误差的准则。我们证明,满足比例多重校准可约束模型的多重校准及其\emph{差异校准}(一种直接度量模型近似充分性程度的公平性准则)。因此,比例校准模型限制了决策者区分不同患者群体上模型性能的能力,这可能使模型在实践中更可信。我们提供了一种高效的后处理算法,用于对风险预测模型进行比例多重校准后处理,并进行了实证评估。我们开展了模拟研究,并探究了PMC后处理在急诊科患者入院预测中的真实应用。我们观察到,比例多重校准是一种有前景的准则,能以几乎零分类性能代价控制模型在交叉群体上校准公平性的同步度量。