生存分析的灵活群体公平性度量

算法公平性是一个日益重要的领域，致力于检测并缓解机器学习模型中的偏倚。回归与分类中的算法公平性已有大量文献，但生存分析领域的探索甚少。生存分析是一种预测任务，旨在预测事件随时间发生的概率。生存预测在敏感场景中尤为重要，例如利用机器学习进行患者诊断与预后。在本文中，我们探讨如何借助群体公平性度量，利用现有生存度量来度量偏倚。我们在一个包含 29 个生存数据集与 8 个度量的实证实验中对此进行了探索。我们发现，歧视度量能够很好地捕捉偏倚，而校准度量和评分规则的清晰度较低。我们提出了进一步的研究方向，包括面向分布预测的基于预测的公平性度量。