Evaluating Fair Feature Selection in Machine Learning for Healthcare

随着机器学习在医疗保健领域的普及，自动化社会偏见可能进一步加剧健康差距，这构成了一个重大风险。我们从特征选择的角度探讨算法公平性。传统的特征选择方法通过删除资源密集、相关或不相关的特征来识别更好的决策，但忽视了这些因素在不同子组中可能存在的差异。为了解决这些问题，我们评估了一种公平的特征选择方法，该方法考虑到所有人口群体的平等重要性。我们在特征选择过程中同时考虑了公平度量和错误度量，以确保在最小化偏见和全局分类错误之间取得平衡。我们在三个公开的医疗保健数据集上测试了我们的方法。在所有三个数据集上，我们观察到公平度量的改善，同时平衡准确率只有轻微下降。我们的方法解决了公平机器学习背景下的分配和程序公平性问题。

解决机器学习在医疗保健中可能导致偏见和不公平性的问题，提出一种公平特征选择的方法。

提出一种公平特征选择方法，考虑所有人群的平等重要性，并在特征选择过程中同时考虑公平度和错误度指标，以实现偏差和全局分类误差的平衡。

论文在三个公开医疗保健数据集上测试了该方法，发现公平度指标得到了改善，同时平衡准确度有所降低。该方法可以解决公平机器学习中的分配公平和程序公平问题。

最近的相关研究包括公平机器学习、公平特征选择和公平医疗保健。相关论文包括“Fairness in Machine Learning: Lessons from Political Philosophy”和“Fair Feature Selection for Robust Prediction”。