Mitigating Biases of Large Language Models in Stance Detection with Calibration

本文研究了大型语言模型(LLM)在立场检测任务中的偏见问题,提出了一种名为MB-Cal的校准方法,包括门控校准网络和反事实数据增强,以提高LLM的准确性并减少偏见。实验结果显示MB-Cal能有效减轻LLM的立场检测偏差。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Mitigating Biases of Large Language Models in Stance Detection with Calibration》的翻译。

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

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值