Análise de trade-off entre acurácia e medidas de igualdade algorítmica em aprendizado de máquina supervisionado
Carregando...
Data
2023-12-13
Autores
Silva, Bruno Pires Moreira [UNIFESP]
Orientadores
Berton, Lilian [UNIFESP]
Tipo
Trabalho de conclusão de curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Resumo
Métodos de inteligência artificial tem sido cada vez mais difundidos na sociedade
atual trazendo grandes ganhos em diversas áreas da saúde, como auxílio ao diagnóstico,
triagem de pacientes, teleatendimento, etc. Porém, diferentes problemas também acabaram
surgindo como consequência de seu uso relacionados ao viés dos algoritmos. O tratamento
desses problemas é um grande desafio na modernidade, ainda mais com abordagens com
menores margens de erro e dados para treinamento mais diversos. O trabalho em questão
busca entender as variações causadas por algoritmos de aprendizado de máquina que promovem
o treinamento dos modelos aplicando abordagens de justiça e equidade, utilizando
bibliotecas como o Fairlearn, da Microsoft e o IBM AI Fairness 360 e os conjuntos de dados
MIMIC III, que conta com observações de pacientes ingleses internados em UTIs. Nesse
cenário, foram tesados alguns modelos de aprendizado de máquina, como a rede multilayer
perceptron, support vector machine e o gradient boosting. Foi realizada uma análise do
impacto nas métricas de equidade e na acurácia quando as abordagens de mitigação de vieses
foram empregadas. Com isso, notamos que técnicas de pós-processamento geraram o
menor impacto na acurácia dos modelos.