FairLogue

新工具包审计临床人工智能模型中的交叉公平性

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。