Fairness in Large Language Models: A Taxonomic Survey

本文是LLM系列文章，针对《Fairness in Large Language Models: A Taxonomic Survey》的翻译。

摘要

大型语言模型（LLM）在各个领域都取得了显著的成功。然而，尽管这些算法在许多实际应用中具有良好的性能，但大多数算法缺乏公平性考虑。因此，它们可能导致对某些社区，特别是边缘化人群的歧视性结果，促使对公平LLM进行广泛研究。另一方面，与传统机器学习的公平性相比，LLM中的公平性需要独特的背景、分类和实现技术。为此，本调查全面概述了有关公平LLM的现有文献的最新进展。具体而言，对LLM进行了简要介绍，然后分析了导致LLM偏差的因素。此外，还明确讨论了LLM中公平的概念，总结了评估LLM中偏差的指标和现有的促进公平的算法。此外，还总结了用于评估LLM中偏差的资源，包括工具包和数据集。最后，讨论了现有的研究挑战和悬而未决的问题。

1 引言

2 分类的概述

3 背景

4 LLM中的ML偏差量化和语言适应

5 LLM中的量化误差

6 缓解LLM中的偏差

7 用于评估偏差的资源

8 挑战和未来方向

9 结论

LL