.png){kind=icon}
返回
Fairness Definitions in Language Models Explained
.png){kind=icon}
OA
AI
DOI：10.1002/widm.70063.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
语言模型（LMs）已在各种自然语言处理（NLP）任务中展现出卓越性能。尽管取得了这些进展，但语言模型可能继承并放大与性别、种族等敏感属性相关的社会偏见，限制了其在现实世界应用中的采纳。因此，公平性已在语言模型中得到了广泛探讨，并提出了各种公平性概念。然而，关于在特定情境中应采用哪种公平性定义缺乏明确共识，以及理解这些定义之间的区别较为复杂，可能引发混淆并阻碍进一步进展。为此，本文提出了一项系统性综述，以阐明适用于语言模型的公平性定义。具体而言，我们首先简要介绍了语言模型和语言模型中的公平性，随后对现有语言模型中的公平性概念进行了全面、最新的概述，并引入了一种新型分类法，基于其转换器架构（仅编码器、仅解码器和编码器-解码器语言模型）对这些概念进行分类。我们进一步通过实验说明每个定义，展示其实际意义和结果。最后，我们讨论了当前的研究挑战和开放性问题，旨在激发创新思想并推动该领域的发展。代码仓库可公开访问，网址为https://github.com/vanbanTruong/Fairness-in-Large-Language-Models/tree/main/definitions。
Keyword:
fairness
fairness definitions
language models
期刊
W
IF:
0
论文数:
36
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Don’t Give Me the Details, Just the Summary! Topic-Aware Convolutional Neural Networks for Extreme Summarization不要给我细节，只是总结!面向极端摘要的主题感知卷积神经网络OAAI
OAAI分享收藏分享收藏
查看更多内容