English(EN) Evaluating Intersectional Fairness across Clinical Machine Learning Use Cases using Fairlogue and the All of Us Research Program

新工具包审计临床人工智能模型中的交叉公平性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-17 04:00

一篇新研究论文介绍了一个名为 FairLogue 的工具包，该工具包旨在审计临床机器学习模型中的交叉公平性。该研究使用 All of Us 数据集将 FairLogue 应用于两个现有模型，评估了跨组合人口群体（种族、性别及其交叉群体）的差异。虽然交叉分析显示出的差异比单轴评估更大，但反事实诊断表明，这些差异与随机群体成员身份大致相当，这凸显了交叉审计对于更深入的偏见洞察的必要性。 AI

影响强调了在临床人工智能中进行更细致的公平性评估的必要性，可能影响未来的模型开发和审计实践。

排序理由这是一篇发表在 arXiv 上的研究论文，详细介绍了一个新工具包及其应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Nick Souligne, Vignesh Subbian · 2026-06-17 04:00

Evaluating Intersectional Fairness across Clinical Machine Learning Use Cases using Fairlogue and the All of Us Research Program

arXiv:2604.16450v2 Announce Type: replace-cross Abstract: Intersectional biases in healthcare data can produce compound disparities in clinical machine learning models, yet most fairness evaluations assess demographic attributes independently. FairLogue, a toolkit for intersectio…

报道来源 [1]

Evaluating Intersectional Fairness across Clinical Machine Learning Use Cases using Fairlogue and the All of Us Research Program

相关实体

相关话题