論文の概要: Gender Bias in Meta-Embeddings

• arxiv url: http://arxiv.org/abs/2205.09867v1
• Date: Thu, 19 May 2022 21:20:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 09:44:47.671891
• Title: Gender Bias in Meta-Embeddings
• Title（参考訳）: メタエンベディングにおけるジェンダーバイアス
• Authors: Masahiro Kaneko, Danushka Bollegala, Naoaki Okazaki
• Abstract要約: マルチソース・ノン・デバイアス、マルチソース・シングル・デバイアス、シングルソース・マルチ・デバイアスの3種類のメタ・エンベッドにおけるバイアスについて検討する。 その結果,3つのバイアス評価ベンチマークのうち,2つ中2つでデバイアスが最良であることが判明した。
• 参考スコア（独自算出の注目度）: 33.044775876807826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Combining multiple source embeddings to create meta-embeddings is considered effective to obtain more accurate embeddings. Different methods have been proposed to develop meta-embeddings from a given set of source embeddings. However, the source embeddings can contain unfair gender bias, and the bias in the combination of multiple embeddings and debiasing it effectively have not been studied yet. In this paper, we investigate the bias in three types of meta-embeddings: (1) Multi-Source No-Debiasing: meta-embedding from multiple source embeddings without any debiasing. The experimental results show that meta-embedding amplifies the gender bias compared to those of input source embeddings; (2) Multi-Source Single-Debiasing: meta-embedding from multiple source embeddings debiased by a single method and it can be created in three ways: debiasing each source embedding, debiasing the learned meta-embeddings, and debiasing both source embeddings and meta-embeddings. The results show that debiasing both is the best in two out of three bias evaluation benchmarks; (3) Single-Source Multi-Debiasing: meta-embedding from the same source embedding debiased by different methods. It performed more effectively than its source embeddings debiased with a single method in all three bias evaluation benchmarks.
• Abstract（参考訳）: メタ埋め込みを作成するために複数のソース埋め込みを組み合わせることは、より正確な埋め込みを得るのに効果的であると考えられる。 与えられたソース組込みからメタ組込みを開発するために異なる方法が提案されている。 しかし、ソース埋め込みには不公平な性別バイアスがあり、複数の埋め込みとデバイアスの組合せにおけるバイアスはまだ研究されていない。 本稿では,(1)マルチソース・ノー・デビジング:デビジングのない複数ソース組込みからのメタエンビジング,の3種類のメタエンベディングにおけるバイアスについて検討する。 実験の結果,メタ埋め込みは入力ソース埋め込みと比較して性別バイアスを増幅することが明らかとなった。(2)マルチソース単一バイアス:複数のソース埋め込みからメタ埋め込みをデバイアス化し,各ソース埋め込みのデバイアス化,学習メタ埋め込みのデバイアス化,およびソース埋め込みとメタ埋め込みの両方のデバイアス化という3つの方法で生成することができる。 その結果、3つのバイアス評価ベンチマークのうち2つのうちデバイアスが最適であることが判明した: (3) 単一ソースマルチデバイアス: 異なる手法でデバイアスを埋め込んだ同じソースからのメタエンベディング。 3つのバイアス評価ベンチマークで1つのメソッドでデバイアスされたソース埋め込みよりも効果的に動作した。

関連論文リスト

• Going Beyond Popularity and Positivity Bias: Correcting for Multifactorial Bias in Recommender Systems [74.47680026838128]
  ユーザインタラクションデータとレコメンダシステム(RS)の2つの典型的なバイアスは、人気バイアスと肯定バイアスである。 項目と評価値の双方に影響される多因子選択バイアスについて検討する。 分散を低減し、最適化の堅牢性を向上させるため、スムースで交互に勾配降下する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-29T12:18:21Z)
• Debiasing Sentence Embedders through Contrastive Word Pairs [46.9044612783003]
  NLP解に対する線形および非線形バイアス情報を除去する手法を検討する。 従来のバイアス指標と非線形情報を考慮に入れたバイアス指標の共通偏り評価手法との比較を行った。
  論文  参考訳（メタデータ） (2024-03-27T13:34:59Z)
• Is There a One-Model-Fits-All Approach to Information Extraction? Revisiting Task Definition Biases [62.806300074459116]
  定義バイアスは、モデルを誤解させる可能性のある負の現象である。 IEでは、情報抽出データセット間のバイアスと、情報抽出データセットとインストラクションチューニングデータセット間のバイアスの2つの定義バイアスを識別する。 本稿では, 定義バイアス測定, バイアス対応微調整, タスク固有バイアス緩和からなる多段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:19:20Z)
• Introducing MBIB -- the first Media Bias Identification Benchmark Task and Dataset Collection [24.35462897801079]
  我々は,メディアバイアス識別ベンチマーク(MBIB)を導入し,メディアバイアスを共通の枠組みの下でグループ化する。 115のデータセットをレビューした後、9つのタスクを選択し、メディアバイアス検出技術を評価するために、22の関連するデータセットを慎重に提案する。 我々の結果は、ヘイトスピーチ、人種的偏見、性別的偏見は検出しやすいが、モデルが認知や政治的偏見といった特定のバイアスタイプを扱うのに苦労していることを示唆している。
  論文  参考訳（メタデータ） (2023-04-25T20:49:55Z)
• Exploiting Transformer-based Multitask Learning for the Detection of Media Bias in News Articles [21.960154864540282]
  メディアバイアスを検出するために,マルチタスク学習を用いて学習したトランスフォーマーに基づくディープラーニングアーキテクチャを提案する。 我々の最高のパフォーマンス実装は、マクロ$F_1$の0.776を実現しています。
  論文  参考訳（メタデータ） (2022-11-07T12:22:31Z)
• The SAME score: Improved cosine based bias score for word embeddings [49.75878234192369]
  埋め込みにおけるセマンティックバイアスのための新しいバイアススコアであるPetを紹介した。 本研究は,下水道作業における意味バイアスを測定し,社会的バイアスの潜在的な原因を特定することができることを示す。
  論文  参考訳（メタデータ） (2022-03-28T09:28:13Z)
• "Thy algorithm shalt not bear false witness": An Evaluation of Multiclass Debiasing Methods on Word Embeddings [3.0204693431381515]
  本稿では,最先端のマルチクラス・デバイアス技術であるハード・デバイアス,ソフトウィート・デバイアス,コンセプタ・デバイアスについて検討する。 単語埋め込みアソシエーションテスト(WEAT)、平均コサイン類似度(MAC)、相対負性感覚バイアス(RNSB)によるバイアス除去を定量化することにより、共通のバイアス除去時のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-10-30T12:49:39Z)
• Double-Hard Debias: Tailoring Word Embeddings for Gender Bias Mitigation [94.98656228690233]
  本稿では,性別サブスペースの推測と削除に先立って,コーパス正規性に対する単語埋め込みを浄化する手法を提案する。 本手法は,事前学習した単語埋め込みの分布的意味を保ちつつ,性別バイアスを従来の手法よりもはるかに大きい程度に低減する。
  論文  参考訳（メタデータ） (2020-05-03T02:33:20Z)
• Joint Multiclass Debiasing of Word Embeddings [5.1135133995376085]
  本稿では,複数のバイアス次元を同時に脱バイアスできる多クラス脱バイアス手法を提案する。 単語埋め込みにおけるベクトル間の有意義な関係を維持しながら、私たちの概念がバイアスを減らすか、あるいは完全に排除できることを示す。
  論文  参考訳（メタデータ） (2020-03-09T22:06:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。