抑郁预测的公平不确定性量化
机器学习
2025-10-01 v3 人工智能
摘要
基于深度学习实现可信的抑郁预测，需同时考虑预测可靠性和跨不同人口统计群体的算法公平性，这对于临床应用至关重要。最近， Achieving reliable depression predictions through uncertainty quantification (UQ) 受到越来越多的关注。然而，鲜有研究关注抑郁预测中不确定性量化 (UQ) 的公平性。在本工作中，我们调查了 UQ 的算法公平性，即 Equal Opportunity Coverage (EOC) 公平性，并提出一种用于抑郁预测的公平不确定性量化 (Fair Uncertainty Quantification, FUQ)。FUQ 通过基于群体的分析实现可靠且公平的抑郁预测。具体而言，我们首先按不同敏感属性对所有参与者进行分组，并利用共轭预测在每个人口统计群体内进行不确定性量化，这为抑郁预测提供了在理论上得到保证且有效的方式的不确定性量化，促进了跨不同人口统计群体的公平性研究。此外，我们提出一种公平感知优化策略，将公平性形式化为在 EOC 约束下的约束优化问题。这使得模型能够在保持预测可靠性的同时适应不同人口统计群体中不确定性水平的差异，从而实现最优公平性。通过在多个视觉和音频抑郁数据集上的广泛评估，我们的方法显示其有效性。
引用
@article{arxiv.2505.04931,
title = {Fair Uncertainty Quantification for Depression Prediction},
author = {Yonghong Li and Zheng Zhang and Xiuzhuang Zhou},
journal= {arXiv preprint arXiv:2505.04931},
year = {2025}
}