ترجمه فارسی مقاله انصاف در تجزیه و تحلیل بقا با بهینه سازی قوی توزیعی

چکیده

We propose a general approach for encouraging fairness in survival analysis models based on minimizing a worst-case error across all subpopulations that occur with at least a user-specified probability. This approach can be used to convert many existing survival analysis models into ones that simultaneously encourage fairness, without requiring the user to specify which attributes or features to treat as sensitive in the training loss function. From a technical standpoint, our approach applies recent developments of distributionally robust optimization (DRO) to survival analysis. The complication is that existing DRO theory uses a training loss function that decomposes across contributions of individual data points, i.e., any term that shows up in the loss function depends only on a single training point. This decomposition does not hold for commonly used survival loss functions, including for the Cox proportional hazards model, its deep neural network variants, and many other recently developed models that use loss functions involving ranking or similarity score calculations. We address this technical hurdle using a sample splitting strategy. We demonstrate our sample splitting DRO approach by using it to create fair versions of a diverse set of existing survival analysis models including the Cox model (and its deep variant DeepSurv), the discrete-time model DeepHit, and the neural ODE model SODEN. We also establish a finite-sample theoretical guarantee to show what our sample splitting DRO loss converges to. For the Cox model, we further derive an exact DRO approach that does not use sample splitting. For all the models that we convert into DRO variants, we show that the DRO variants often score better on recently established fairness metrics (without incurring a significant drop in accuracy) compared to existing survival analysis fairness regularization techniques.

چکیده به فارسی (ترجمه ماشینی)

ما یک رویکرد کلی برای تشویق انصاف در مدلهای تجزیه و تحلیل بقا بر اساس به حداقل رساندن یک خطای بدترین حالت در تمام زیر گروه هایی که حداقل با یک احتمال مشخص شده توسط کاربر رخ می دهد ، پیشنهاد می کنیم.این روش می تواند برای تبدیل بسیاری از مدل های تجزیه و تحلیل بقا موجود به مواردی که همزمان انصاف را تشویق می کنند ، استفاده شود ، بدون اینکه کاربر را ملزم به مشخص کردن ویژگی ها یا ویژگی های آن برای حساسیت در عملکرد از دست دادن آموزش کند.از دیدگاه فنی ، رویکرد ما از تحولات اخیر بهینه سازی قوی توزیع (DRO) تا تجزیه و تحلیل بقا استفاده می کند.عارضه این است که تئوری DRO موجود از یک عملکرد از دست دادن آموزش استفاده می کند که در بین نقاط داده های فردی تجزیه می شود ، یعنی هر اصطلاحی که در عملکرد ضرر نشان می دهد فقط به یک نقطه آموزشی واحد بستگی دارد.این تجزیه برای توابع از دست دادن بقا که معمولاً استفاده می شود ، از جمله برای مدل خطرات متناسب Cox ، انواع شبکه عصبی عمیق آن و بسیاری از مدل های دیگر که اخیراً توسعه یافته است که از توابع ضرر شامل محاسبات رتبه بندی یا نمره شباهت استفاده می کنند ، ندارد.ما با استفاده از یک استراتژی تقسیم نمونه به این مانع فنی می پردازیم.ما روش DRO تقسیم نمونه خود را با استفاده از آن برای ایجاد نسخه های عادلانه از مجموعه متنوعی از مدل های تجزیه و تحلیل بقا موجود از جمله مدل Cox (و نوع عمیق آن Deepsurv) ، مدل زمان گسسته Deephit و مدل عصبی ODE Soden نشان می دهیم.ما همچنین یک ضمانت نظری نمونه محدود را ایجاد می کنیم تا نشان دهیم که نمونه ما از دست دادن DRO از دست می دهد.برای مدل Cox ، ما بیشتر یک روش DRO دقیق را استخراج می کنیم که از تقسیم نمونه استفاده نمی کند.برای تمام مدلهایی که ما به انواع DRO تبدیل می کنیم ، ما نشان می دهیم که انواع DRO اغلب در معیارهای انصاف اخیراً مشخص شده (بدون اینکه افت قابل توجهی در دقت داشته باشد) نسبت به تکنیک های تنظیم انصاف آنالیز بقا بهتر نمره کسب می کنند.