XiaoMi-AI文件搜索系统
World File Search System引起偏见
采用 DoD HFACS 进行用药错误分析
摘要。在医疗环境中，用药错误不仅仅是个人的错误，因为人员是患者护理系统的要素之一。为了通过追溯到复合层（从组织层到药务人员层）来分析用药错误的原因，应用了美国国防部人为因素分析和分类系统 (DoD HFACS 7.0) 第 7 版。本研究的目的是将 DoD HFACS 7.0 问卷引入医疗环境，以便观察用药错误的原因。然而，为了使 DoD HFACS 7.0 在印度尼西亚的药务人员中得到有效应用，需要采用它来设计 Med HFACS。结果显示，在 DoD HFACS 7.0 的 109 个子类别中，多达 90 个子类别可以包含在 Med HFACS 中。同时，19个子类别未被纳入，因为它们与药学领域的相关性较低，并且如果附加在专业药学人员的职责中，可能会引起偏见。
TARA：AI 公平性和领域泛化的训练和表示调整 William Paul 1、Armin Hadzic 1、Neil Joshi 1、Fady Alajaji 2、Philippe Burlina 1、3 1 约翰霍普金斯大学应用物理实验室 11100 Johns Hopkins Rd, Laurel, MD 20723, USA firstname.lastname@jhuapl.edu 2 数学与统计系 加拿大安大略省皇后大学 K7L 3N6 fa@queensu.ca 3 约翰霍普金斯大学计算机科学系 3400 N. Charles Street Baltimore, MD 21218
我们提出了一种针对受保护或敏感因素实施 AI 公平性的新方法。该方法使用双重策略执行训练和表示改变 (TARA) 来缓解 AI 偏见的主要原因，包括：a) 通过对抗独立性使用表示学习改变来抑制数据表示对受保护因素的偏见依赖性；以及 b) 通过智能增强改变训练集以解决引起偏见的数据不平衡，通过使用生成模型，允许通过领域适应和潜在空间操纵对与代表性不足的人群相关的敏感因素进行精细控制。在图像分析上测试我们的方法时，实验表明 TARA 显著或完全消除了基线模型的偏差，同时优于具有相同信息量的其他竞争性消除偏差方法，例如，对于 Eye-PACS，(% 总体准确度，% 准确度差距) = (78.8, 0.5) vs. 基线方法的得分 (71.8, 10.5)，对于 CelebA，(73.7, 11.8) vs. (69.1, 21.7)。此外，认识到当前用于评估消除偏差性能的指标的某些局限性，我们提出了新颖的联合消除偏差指标。我们的实验还证明了这些新指标在评估所提出方法的帕累托效率方面的能力。