算法偏见、通用模型与临床医学
摘要：临床机器学习的技术格局正在发生变化，这种变化使得人们对算法偏见的性质和原因的普遍假设变得不稳定。在一方面，临床机器学习的主导范式是狭窄的，意味着模型是在生物医学数据集上进行训练，用于特定的临床任务，如诊断和治疗推荐。另一方面，新兴的范式是广义的，意味着通用的语言模型，如谷歌的BERT和PaLM，通过在生物医学数据集上进行提示或微调，越来越多地被用于临床用例。许多这些新一代模型在性能上提供了显著的改进，但同时引入了新种类的算法偏见，并且复杂化了算法偏见与训练数据偏见之间的解释关系。本文阐述了广义模型中的偏见与先前临床模型中的偏见有何不同，并提出了算法偏见缓解的实际建议。 标题：临床机器学习中广义模型的偏见与先前模型的差异及其缓解措施的实际建议
作者：Geoff Keeling
论文ID：2305.04008
分类：Computers and Society
分类简称：cs.CY
提交时间：2023-05-09