Buchumschlag

An empirical evaluation of the risks of AI model updates using clinical data: stability, arbitrariness, and fairness

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bilionis, Ioannis, Berrios, Ricardo C., Fernandez-Luque, Luis, Castillo, Carlos
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Disparate Model Performance and Stability in Machine Learning Clinical Support for Diabetes and Heart Diseases
von: Bilionis, Ioannis, et al.
Veröffentlicht: (2024)

An evaluation framework for synthetic data generation models
von: Livieris, Ioannis E., et al.
Veröffentlicht: (2024)

Defining bias in AI-systems: Biased models are fair models
von: Lindloff, Chiara, et al.
Veröffentlicht: (2025)

User-centric evaluation of explainability of AI with and for humans: a comprehensive empirical study
von: Bobek, Szymon, et al.
Veröffentlicht: (2024)

Evaluating AI fairness in credit scoring with the BRIO tool
von: Coraglia, Greta, et al.
Veröffentlicht: (2024)

Generative AI in clinical practice: novel qualitative evidence of risk and responsible use of Google's NotebookLM
von: Reuter, Max, et al.
Veröffentlicht: (2025)

Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics
von: Bhattacharyya, Swarnava, et al.
Veröffentlicht: (2025)

Personalizing explanations of AI-driven hints to users' characteristics: an empirical evaluation
von: Bahel, Vedant, et al.
Veröffentlicht: (2024)

Outraged AI: Large language models prioritise emotion over cost in fairness enforcement
von: Liu, Hao, et al.
Veröffentlicht: (2025)

A survey of recent methods for addressing AI fairness and bias in biomedicine
von: Yang, Yifan, et al.
Veröffentlicht: (2024)

It's complicated. The relationship of algorithmic fairness and non-discrimination provisions for high-risk systems in the EU AI Act
von: Meding, Kristof
Veröffentlicht: (2025)

Generative AI voting: fair collective choice is resilient to LLM biases and inconsistencies
von: Majumdar, Srijoni, et al.
Veröffentlicht: (2024)

Morphological evaluation of subwords vocabulary used by BETO language model
von: García-Sierra, Óscar, et al.
Veröffentlicht: (2024)

An empirical evaluation of using ChatGPT to summarize disputes for recommending similar labor and employment cases in Chinese
von: Wu, Po-Hsien, et al.
Veröffentlicht: (2024)

FairX: A comprehensive benchmarking tool for model analysis using fairness, utility, and explainability
von: Sikder, Md Fahim, et al.
Veröffentlicht: (2024)

What AI evaluations for preventing catastrophic risks can and cannot do
von: Barnett, Peter, et al.
Veröffentlicht: (2024)

Data quality dimensions for fair AI
von: Quaresmini, Camilla, et al.
Veröffentlicht: (2023)

An autonomous agent for auditing and improving the reliability of clinical AI models
von: Kuhn, Lukas, et al.
Veröffentlicht: (2025)

Educational data mining and learning analytics: An updated survey
von: Romero, C., et al.
Veröffentlicht: (2024)

Testing autonomous vehicles and AI: perspectives and challenges from cybersecurity, transparency, robustness and fairness
von: Llorca, David Fernández, et al.
Veröffentlicht: (2024)

Monitoring fairness in machine learning models that predict patient mortality in the ICU
von: van Schaik, Tempest A., et al.
Veröffentlicht: (2024)

Addressing the Gaps in Early Dementia Detection: A Path Towards Enhanced Diagnostic Models through Machine Learning
von: Moya, Juan A. Berrios
Veröffentlicht: (2024)

The ecosystem of machine learning competitions: Platforms, participants, and their impact on AI development
von: Nasios, Ioannis
Veröffentlicht: (2026)

Generator Matching: Generative modeling with arbitrary Markov processes
von: Holderrieth, Peter, et al.
Veröffentlicht: (2024)

Algorithmic Administration and the EU AI Act: Legal Principles for Public Sector Use of AI
von: Pavlidis, Georgios, et al.
Veröffentlicht: (2026)

A pipeline for enabling path-specific causal fairness in observational health data
von: Kashyap, Aparajita, et al.
Veröffentlicht: (2026)

A moving target in AI-assisted decision-making: Dataset shift, model updating, and the problem of update opacity
von: Hatherley, Joshua
Veröffentlicht: (2025)

An AI system to help scientists write expert-level empirical software
von: Aygün, Eser, et al.
Veröffentlicht: (2025)

Cinder: A fast and fair matchmaking system
von: Pal, Saurav
Veröffentlicht: (2025)

"I think this is fair": Uncovering the Complexities of Stakeholder Decision-Making in AI Fairness Assessment
von: Luo, Lin, et al.
Veröffentlicht: (2025)

Post-processing fairness with minimal changes
von: Di Gennaro, Federico, et al.
Veröffentlicht: (2024)

Contemporary AI foundation models increase biological weapons risk
von: Brent, Roger, et al.
Veröffentlicht: (2025)

Toward a unified framework for data-efficient evaluation of large language models
von: Liao, Lele, et al.
Veröffentlicht: (2025)

A methodology for clinically driven interactive segmentation evaluation
von: Esmaeili, Parhom, et al.
Veröffentlicht: (2025)

FoMoH: A clinically meaningful foundation model evaluation for structured electronic health records
von: Pang, Chao, et al.
Veröffentlicht: (2025)

Supervision policies can shape long-term risk management in general-purpose AI models
von: Cebrian, Manuel, et al.
Veröffentlicht: (2025)

Fast solution to the fair ranking problem using the Sinkhorn algorithm
von: Uehara, Yuki, et al.
Veröffentlicht: (2024)

Generative Artificial Intelligence agent in scientific research. An explanatory analysis of classroom learning
von: Roberto Berrios Zepeda
Veröffentlicht: (2025)

Assessing Trustworthiness of AI Training Dataset using Subjective Logic -- A Use Case on Bias
von: Ouattara, Koffi Ismael, et al.
Veröffentlicht: (2025)

Dynamic fairness-aware recommendation through multi-agent social choice
von: Aird, Amanda, et al.
Veröffentlicht: (2023)