arXiv cs.CL· Zhipeng Yin, Zichong Wang, Avash Palikhe, Wenbin Zhang·· 12 小时前AI 评分12
语言模型中的公平性定义解析
Fairness Definitions in Language Models Explained
AI 导读
一篇系统梳理语言模型公平性定义的综述论文已被 arXiv 管理员撤稿，原因是未达到 arXiv 的研究内容质量标准。该论文原提出按 Transformer 架构（encoder-only、decoder-only、encoder-decoder）对现有公平性概念进行分类的新分类法，并通过实验说明各定义的实际影响。
正文 · AI 翻译
本文已被 arXiv 管理员撤回
摘要：语言模型（LMs）在各种自然语言处理（NLP）任务中表现出卓越的性能。尽管取得了这些进展，语言模型仍可能继承并放大与性别和种族等敏感属性相关的社会偏见，从而限制其在实际应用中的采用。因此，语言模型中的公平性已被广泛探索，并提出了各种公平性概念。然而，对于在特定情境下应适用哪种公平性定义缺乏明确共识，且理解这些定义之间差异的复杂性可能造成混淆并阻碍进一步进展。为此，本文提出了一项系统性综述，阐明适用于语言模型的公平性定义。具体而言，我们首先简要介绍语言模型及语言模型中的公平性，随后全面、最新地概述语言模型中现有的公平性概念，并引入一种新颖的分类法，依据其 transformer 架构将这些概念分类为：仅编码器、仅解码器和编码器-解码器语言模型。我们进一步通过实验说明每种定义，展示其实际意义和结果。最后，我们讨论当前的研究挑战和开放问题，旨在激发创新思路并推动该领域发展。代码库已公开在线提供，地址为 此 https URL。
| 评论： | arXiv 管理员注：本投稿已被撤回，因其不符合 arXiv 的研究内容质量标准 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2407.18454 [cs.CL] |
| （或 arXiv:2407.18454v4 [cs.CL] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2407.18454 arXiv 颁发的 DOI（通过 DataCite） |
|
| 相关 DOI： | https://doi.org/10.1002/widm.70063
链接到相关资源的 DOI |
提交历史
来自：arXiv 管理员 [查看电子邮件]
[v1]
2024年7月26日星期五 01:21:25 UTC（1,138 KB）
[v2]
2025年8月5日星期二 20:22:54 UTC（6,795 KB）
[v3]
2026年1月15日星期四 02:02:02 UTC（6,729 KB）
[v4]
2026年10月26日星期一 20:38:22 UTC（1 KB） （已撤回）
来源：arXiv cs.CL · arxiv.org