联合公平模型及其在弱势人群风险预测中的应用
应用统计
2022-02-25 v4 统计方法学
摘要
在预测建模的数据收集中，某些群体（基于性别、种族/民族或年龄）的代表性不足可能导致对这些群体的预测准确性较低。近来，预测中的公平性问题引起了显著关注，因为数据驱动模型正日益用于执行关键决策任务。机器学习文献中实现公平性的现有方法通常构建单一预测模型，以鼓励对所有群体公平的预测表现。这些方法有两个主要局限：i）公平性常通过牺牲某些群体的准确性来实现；ii）因变量与自变量间的基础关系在各群体间可能不同。我们提出一种联合公平模型（JFM）方法，用于二分类结局的逻辑回归模型，该方法利用包含预测公平性准则的联合建模目标函数估计群体特定分类器。我们引入加速平滑近端梯度算法求解该凸目标函数，并给出JFM估计的关键渐近性质。通过模拟，我们证明了JFM在取得良好预测表现和跨群体均等性方面的效能，优于单一公平模型、群体分离模型和群体忽略模型，尤其在少数群体样本量较小时。最后，我们在真实世界示例中展示了JFM方法的效用，用于对代表性不足的2019冠状病毒病（COVID-19）老年确诊患者获得公平的风险预测。
引用
@article{arxiv.2105.04648,
title = {Joint Fairness Model with Applications to Risk Predictions for Under-represented Populations},
author = {Hyungrok Do and Shinjini Nandi and Preston Putzel and Padhraic Smyth and Judy Zhong},
journal= {arXiv preprint arXiv:2105.04648},
year = {2022}
}
备注
34 pages, 4 figures, 1 table