表征式伦理模型校准
机器学习
2022-10-20 v2 计算机与社会
摘要
公平被广泛认为是医疗保健伦理的基础。在临床决策的语境中，它依赖于指导每位患者管理的智能——基于证据或直觉的——的比较保真度。尽管当代机器学习的个体化能力使其近期受到关注，此类认知公平出现在任何决策指导的语境中，无论是传统的还是创新的。然而，目前尚不存在用于其量化、更遑论保障的通用框架。在此，我们根据在学得的多维身份表征上评估的模型保真度来表述认知公平，这些表征经过精心构建以最大化所捕获的人群多样性，从而引入一个全面的表征式伦理模型校准框架。我们在来自UK Biobank的大规模多模态数据上演示了该框架的使用，以推导人群多样性表征、量化模型性能并实施响应式补救。我们提供我们的方法作为量化和保障医疗保健中认知公平的原则性解决方案，可应用于研究、临床和监管领域。
引用
@article{arxiv.2207.12043,
title = {Representational Ethical Model Calibration},
author = {Robert Carruthers and Isabel Straw and James K Ruffle and Daniel Herron and Amy Nelson and Danilo Bzdok and Delmiro Fernandez-Reyes and Geraint Rees and Parashkev Nachev},
journal= {arXiv preprint arXiv:2207.12043},
year = {2022}
}
备注
13 pages