Análise de trade-off entre acurácia e medidas de igualdade algorítmica em aprendizado de máquina supervisionado

• Autor(a) principal: Silva, Bruno Pires Moreira [UNIFESP]
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFESP
• Texto Completo: https://repositorio.unifesp.br/handle/11600/70510
• topic: Justiça; Equidade; Aprendizado de máquina; Viés; Classificação

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.