机器学习中公平性属性的全球化：以非洲健康为例
机器学习
2024-11-06 v1 人工智能
计算机与社会
摘要
随着机器学习（ML）在医疗中的应用日益增长，已有呼声要求在 ML 中考虑公平性，以理解并缓解这些系统可能引发的伦理关切。公平性对非洲的全球健康具有影响，非洲已然存在全球北方与南方之间不平等的权力失衡。本文旨在以非洲为案例探索全球健康的公平性。我们提出在非洲背景下值得考虑的公平性属性，并阐明它们可能在不同的 ML 赋能医疗模态中于何处发挥作用。本工作可作为推进全球健康公平性研究的基石与行动呼吁。
引用
@article{arxiv.2304.02190,
title = {Globalizing Fairness Attributes in Machine Learning: A Case Study on Health in Africa},
author = {Mercy Nyamewaa Asiedu and Awa Dieng and Abigail Oppong and Maria Nagawa and Sanmi Koyejo and Katherine Heller},
journal= {arXiv preprint arXiv:2304.02190},
year = {2024}
}