TL;DR
- چکیده: مدلهای زبان از پیشآموزشدیده چند زبانه (MPLM) به ابزارهای ضروری برای پردازش زبان طبیعی تبدیل شدهاند.
- با این حال،.
- آنها اغلب سوگیریهای مربوط به ویژگیهای حساس مانند جنسیت،.
چه اتفاقی افتاد
چکیده: مدلهای زبان از پیشآموزشدیده چند زبانه (MPLM) به ابزارهای ضروری برای پردازش زبان طبیعی تبدیل شدهاند. با این حال،.
آنها اغلب سوگیریهای مربوط به ویژگیهای حساس مانند جنسیت،. نژاد و مذهب را نشان میدهند.
در این مقاله،. ما یک روش جامع انحرافی چندزبانه به نام Multiple-Debias را برای رسیدگی به این مسائل در چندین زبان.
معرفی میکنیم. با گنجاندن تقویت دادههای ضد واقعیت چندزبانه و خودنگریهای چندزبانه در هر دو مرحله پیش پردازش و پس.
از پردازش،. در کنار تنظیم دقیق پارامترها،.
سوگیریها را در MPLMها در سه ویژگی حساس در چهار زبان بهطور قابلتوجهی کاهش دادیم. ما همچنین CrowS-Pairs را به آلمانی،.
اسپانیایی،. چینی و ژاپنی گسترش دادیم،.
و روش انحرافی چندزبانه خود را برای سوگیری جنسیتی،. نژادی و مذهبی تأیید کردیم.
آزمایشهای ما نشان میدهد که (من) چند زبانه است روشهای انحرافی در کاهش مؤثر سوگیریها از رویکردهای تک. زبانه پیشی میگیرند،.
و (ب) یکپارچهسازی اطلاعات بیطرفکننده از زبانهای مختلف بهطور قابلتوجهی عادلانه بودن MPLMها را بهبود میبخشد. محاسبات و زبان (cs.
CL) استناد بهعنوان: (یا v1 [cs. CL] برای این نسخه) https:.
// شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Haoyu Liang [مشاهده ایمیل] [v1] جمعه،.
3 آوریل 2026،. 06:.
30:. 06 UTC (378 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.