跳到正文
arXiv cs.AI· Nitish Nagesh, Elahe Khatibi, Thomas Hughes, Mahdi Bagheri, Pratik Gajane, Amir M. Rahmani·· 10 小时前AI 评分22

因果发现算法中的路径特定公平性审计:心衰案例研究

Auditing Path-Specific Fairness Across Causal Discovery Algorithms: A Heart Failure Case Study

AI 导读

研究为心衰临床记录数据集建立专家标注因果图基准,追踪不同因果发现算法在路径特定公平性上的表现。ICA-LiNGAM 取得最低结构汉明距离和最高召回率,GES 精确率最高;原图与发现图在射血分数中介效应上的整体因果公平性相差 1.2 个百分点,并导致公平性-效用比变化。结果表明临床场景需纳入发现感知的路径特定公平性评估。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:因果发现正越来越多地应用于医疗数据,其中恢复出的关系可能编码出有偏的路径,并传播到下游预测中。路径特定的公平性分析通过直接、间接和虚假效应分解以及公平性-效用比评估,可以量化偏差及其相关的预测成本。然而,现有在公平性约束下对因果发现的评估大多使用非临床数据集,且未将混杂因素的贡献与中介因素的贡献区分开来,因此发现算法的选择如何通过路径特定公平性传导至临床环境中的效用权衡仍悬而未决。本工作通过为心力衰竭临床记录数据集建立专家引出的因果图基准,并沿复合的、逐变量的公平性分解和公平性-效用比追踪发现算法,填补了这一空白。ICA-LiNGAM 实现了最低的结构汉明距离和最高的召回率,而 GES 实现了最高的精确率。对于路径特定效应,原始图与发现图之间在射血分数上的中介效应对整体因果公平性的影响相差 1.2 个百分点。这最终导致公平性-效用比的变化,凸显了细粒度评估的必要性。这些结果表明,发现感知的、路径特定的公平性评估在临床环境中具有重要意义,值得纳入临床风险模型的常规审计。
主题: 机器学习(cs.LG);人工智能(cs.AI)
引用为: arXiv:2603.15926 [cs.LG]
  (或 arXiv:2603.15926v2 [cs.LG] 用于此版本)
  https://doi.org/10.48550/arXiv.2603.15926

由 DataCite 颁发的 arXiv DOI

提交历史

来自:Nitish Nagesh [查看电子邮件]
[v1] 2026年3月16日星期一 21:19:17 UTC(360 KB)
[v2] 2026年11月18日星期三 05:43:50 UTC(12 KB)

来源:arXiv cs.AI · arxiv.org