生存分析中的公平性：一种新型条件互信息增强方法
机器学习
2025-02-05 v1 人工智能
摘要
生存分析是预测事件发生时间的重要工具，已在医疗、刑事司法和金融等诸多领域得到应用。与分类任务类似，生存分析也可能对不利群体表现出偏见，往往源于数据或算法本身的偏见。IS 和 CS 社区已有多项研究尝试解决生存分析中的公平性问题。然而，现有方法往往忽视了在特定评估时间点上进行预测公平性的重要性，这在实际应用中至关重要，因为决策往往依赖于特定的时间框架。为填补这一关键研究空白，我们提出了一种新颖的公平性概念：生存分析中的平等机会(Equalized Odds, EO)，其强调在预定义时间点上的预测公平性。为实现生存分析中的 EO 公平性，我们提出了条件互信息增强(Conditional Mutual Information Augmentation, CMIA)方法，该方法包含基于条件互信息的新颖公平正则化项和创新的受 cens 数据增强技术。我们的 CMIA 方法能够有效平衡预测准确性和公平性，可应用于各种生存模型。我们在三个不同的应用领域中将 CMIA 方法与若干最新方法进行评估，结果表明 CMIA 在保持良好准确性的同时，持续降低预测差异，并在多个数据集和生存模型（如线性 COX、深 AFT）上显著优于其他竞争方法。
引用
@article{arxiv.2502.02567,
title = {Fairness in Survival Analysis: A Novel Conditional Mutual Information Augmentation Approach},
author = {Tianyang Xie and Yong Ge},
journal= {arXiv preprint arXiv:2502.02567},
year = {2025}
}