Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2504.21299

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2504.21299 (cs)
[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

Authors:Zhiting Fan, Ruizhe Chen, Zuozhu Liu
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。
摘要: Identifying bias in LLM-generated content is a crucial prerequisite for ensuring fairness in LLMs. Existing methods, such as fairness classifiers and LLM-based judges, face limitations related to difficulties in understanding underlying intentions and the lack of criteria for fairness judgment. In this paper, we introduce BiasGuard, a novel bias detection tool that explicitly analyzes inputs and reasons through fairness specifications to provide accurate judgments. BiasGuard is implemented through a two-stage approach: the first stage initializes the model to explicitly reason based on fairness specifications, while the second stage leverages reinforcement learning to enhance its reasoning and judgment capabilities. Our experiments, conducted across five datasets, demonstrate that BiasGuard outperforms existing tools, improving accuracy and reducing over-fairness misjudgments. We also highlight the importance of reasoning-enhanced decision-making and provide evidence for the effectiveness of our two-stage optimization pipeline.
评论: ACL 2025研究发现
主题: 计算与语言 (cs.CL)
引用方式: arXiv:2504.21299 [cs.CL]
  (或者 arXiv:2504.21299v2 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2504.21299
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Ruizhe Chen [查看电子邮件]
[v1] 星期三, 2025 年 4 月 30 日 04:13:03 UTC (8,699 KB)
[v2] 星期二, 2025 年 6 月 10 日 07:54:40 UTC (4,420 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-04
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号