计算机科学 > 计算与语言
[提交于 2025年4月30日
(v1)
,最后修订 2025年6月10日 (此版本, v2)]
标题: BiasGuard:一种用于大型语言模型的推理增强型偏见检测工具
标题: BiasGuard: A Reasoning-enhanced Bias Detection Tool For Large Language Models
摘要: 识别大型语言模型(LLM)生成内容中的偏见是确保LLM公平性的关键前提。现有的方法,如公平性分类器和基于LLM的裁判,面临着理解潜在意图困难以及缺乏公平性判断标准的限制。本文介绍了一种名为BiasGuard的新颖偏见检测工具,该工具明确分析输入并通过公平性规范进行推理以提供准确的判断。BiasGuard通过两阶段方法实现:第一阶段初始化模型以基于公平性规范进行显式推理,而第二阶段利用强化学习增强其推理和判断能力。我们在五个数据集上进行的实验表明,BiasGuard优于现有工具,提高了准确性并减少了过度公平性误判。我们还强调了增强推理决策的重要性,并提供了关于我们两阶段优化管道有效性的证据。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.