本文是LLM系列文章,针对《Mitigating Biases of Large Language Models in Stance Detection with Calibration》的翻译。
用校正方法减少大型语言模型在立场检测中的偏差
摘要
大型语言模型(LLM)在许多自然语言处理任务中取得了显著的进展。然而,我们的实验表明,在立场检测任务中,LLM可能会由于虚假的情绪-立场相关性和对某些个人和主题的偏好而产生有偏见的立场,从而损害他们的表现。因此,在本文中,我们建议通过校准(MB-Cal)来减轻LLM在立场检测中的偏差。其中,设计了一种新的门控校准网络来减轻LLM对立场推理结果的偏差。此外,为了使校准更加准确和可推广,我们构建了反事实增强数据来纠正立场偏差。在目标内和零样本立场检测任务上的实验结果表明,所提出的MB-Cal可以有效地减轻LLM的偏差,实现状态启动结果。
1 引言
2 相关工作
3 LLM在立场检测中的偏差
4 通过校准缓解偏差
5 实验设置
6 实验结果
7 结论
在