ある企業の AI 倫理チームが、学習済みモデルのバイアスを評価しています。「特定の人種グループに対するモデルの陽性予測率が、他のグループと比較して統計的に低い」という問題を検出したいとき、SageMaker Clarify が計算するバイアス指標として最も適切なものはどれですか？
- A. SHAP 値の絶対平均（Mean |SHAP|）― 各特徴量のモデルへの寄与度
- B. カバレッジ指標（Feature Coverage）― 各特徴量に欠損値がない割合
- C. 差分陽性予測率（Difference in Positive Proportions in Predicted Labels, DPPL）― グループ間の陽性予測率の差
- D. データセット不均衡（Class Imbalance, CI）― 学習データ内のグループ間サンプル数の比率差
解答と解説を見る
正解: C
「グループ間で陽性予測率が異なる」という問題を定量化するには、差分陽性予測率（DPPL）が直接対応する指標です。DPPL は比較グループ間で予測ラベルが陽性になる割合の差を計算し、値が大きいほど予測バイアスが大きいことを示します。DのClass Imbalance（CI）はデータセット内のグループ比率の偏りを測るものであり、モデルの予測出力のバイアスとは異なります。Bのカバレッジ指標はデータ品質の話であり、バイアス指標ではありません。AのSHAP 値は個々の特徴量の予測への寄与度（説明可能性）に関する指標であり、グループ間公平性の測定ではありません。