基于回归的预测模型中的公平性认知
人机交互
2025-05-13 v2 机器学习
摘要
现代肾脏移植中使用的基于回归的预测分析因继承训练数据中的偏见而已知存在偏见。这导致社会歧视和器官资源的低效利用，尤其是在社会少数群体的背景下。尽管存在这一顾虑，但关于回归公平性及其对器官利用和安置的影响的研究仍有限。本文引入了三种新颖的基于散度的群体公平性概念：(i) 独立性，(ii) 分离性，和 (iii) 充分性，用于评估基于回归的分析工具的公平性。此外，还通过调查众所瞩目的公众反馈来探讨公平性偏好，以识别用于评估这些工具的社会接受的群体公平性标准。共邀请了85名来自Prolific众包平台的参与者，并采用混合逻辑离散选择模型来建模公平性反馈并估计社会公平偏好。研究结果清晰地显示，人们对分离性和充分性公平性概念存在强烈偏好，认为基于回归的预测分析在性别和种族群体方面是公平的，但在年龄群体方面则不公平。
引用
@article{arxiv.2505.04886,
title = {Fairness Perceptions in Regression-based Predictive Models},
author = {Mukund Telukunta and Venkata Sriram Siddhardh Nadendla and Morgan Stuart and Casey Canfield},
journal= {arXiv preprint arXiv:2505.04886},
year = {2025}
}