Nat. Mach. Intell. 速递：临床机器学习的算法公平性和减少偏差

要害词：呆板进修，强化进修，算法公平性，数据偏向，模型泛化才华

论文题目问题：Algorithmic fairness and bias mitigation for clinical machine learning with deep reinforcement learning
期刊称呼：Nature Machine Intelligence
斑图地址：hts://pattern.swarma.org/paper/b9bffc4a-2ff7-11ee-a742-0242ac17000d
论文地址：hts://ss.naturess/articles/s42256-023-00697-3

跟着基于呆板进修的模型不停开发用于医疗使用规模，须要更大的勤勉来确保那些技术不会反映或加剧数据中可能存正在的不良或比方室性偏见。

那项颁发于 Nature Machine Intelligence 的最新钻研引入了一个强化进修框架，能够减轻数据聚集历程中可能孕育发作的偏见。详细而言，应付迅速预测前往病院急诊科的患者能否传染 COxID-19 的任务，钻研者对模型作了评价，旨正在减轻数据中存正在的基于病院和种族的偏见。

通过运用专门的奖励函数和训练历程，讲明该办法正在真现临床有效的筛查机能的同时，取当前基准和最先进的呆板进修办法相比，显著改进了结果的公平性。钻研者正在三家独立病院停行了外部验证，并正在一个患者重症监护病房出院形态任务上测试了该办法，展示了模型的泛化才华。

图1. 呆板进修框架。

图2. 单流和反抗 Q 网络的比较。

图3. t-SNE 表征。通过 t-SNE 确定的聚类可室化，包孕所有 COxID-19 病例。

编译｜梁金

本题目：《Nat. Mach. Intell. 速递：临床呆板进修的算法公平性和减少偏向》