arXiv cs.CY· Carter H. Nakamoto, Lucia Lushi Chen, Agata Foryciarz, Sherri Rose·· 12 小时前AI 评分31
面向慢性肾病多群体的惩罚性公平回归方法
Penalized Fair Regression for Multiple Groups in Chronic Kidney Disease
AI 导读
研究者提出一种面向多群体的通用惩罚性公平回归框架，以真阳性率差异作为惩罚项，可归约为代价敏感分类问题高效实现，并引入新的评分函数自动选择惩罚权重。模拟实验中该方法取得优于现有对比方法的公平性-准确率前沿；在慢性肾病全国多站点基层医疗研究中，针对终末期肾病构建的公平分类器在多个种族和族裔群体上显著提升公平性，整体拟合无明显损失。
正文 · AI 翻译
摘要：公平回归方法有望缓解医疗保健中的社会偏见问题，但当多个群体都遭受此类偏见时，关于惩罚性公平回归的研究却很少。我们提出了一个通用回归框架，通过针对多个群体的不公平性惩罚来填补这一空白。我们的方法以二分类结局为例，并采用真阳性率差异惩罚进行演示。该方法可通过归约为代价敏感分类问题来高效实现。我们还引入了新的评分函数，用于自动选择惩罚权重。我们在模拟中对惩罚性公平回归方法进行了实证研究，其实现的公平性-准确性前沿优于现有对比方法。最后，我们将这些方法应用于一项关于慢性肾病的全国多中心基层医疗研究，以开发终末期肾病的公平分类器。在该研究中，我们发现，对于在医疗保健系统中遭受社会偏见的多个种族和族裔群体，公平性得到了大幅改善，而整体拟合度没有明显损失。
| 学科： | 方法论（stat.ME）；计算机与社会（cs.CY）；机器学习（cs.LG）；应用（stat.AP）；机器学习（stat.ML） |
| 引用为： | arXiv:2512.17340 [stat.ME] |
| （或 arXiv:2512.17340v3 [stat.ME] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.17340 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Carter H Nakamoto [查看邮箱]
[v1]
2025年12月19日星期五 08:33:48 UTC（629 KB）
[v2]
2026年1月13日星期二 21:26:52 UTC（1,289 KB）
[v3]
2026年10月21日星期三 20:17:11 UTC（29,989 KB）
来源：arXiv cs.CY · arxiv.org