論文の概要: Pareto-Guided Teacher Alignment for Fair Personalized Text Generation

• arxiv url: http://arxiv.org/abs/2606.10126v1
• Date: Mon, 08 Jun 2026 19:57:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.172566
• Title: Pareto-Guided Teacher Alignment for Fair Personalized Text Generation
• Title（参考訳）: 公平なパーソナライズされたテキスト生成のためのパレートガイド型教師アライメント
• Authors: Tunazzina Islam,
• Abstract要約: 制約付き多目的アライメント問題としてパーソナライズドジェネレーションにおける公平さの軽減について検討する。 その結果, 公平性軽減効果は客観的依存であり, ドメインやモデルファミリ間で不整合に伝達されることが示唆された。
• 参考スコア（独自算出の注目度）: 8.06425428468097
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Personalized persuasive text generation can improve relevance and engagement, but demographic conditioning may also introduce unequal framing across groups. We study fairness mitigation in personalized generation as a constrained multi-objective alignment problem: reduce demographic disparities while preserving personalization fidelity. We propose a Pareto-guided teacher alignment framework that combines revision-based candidate generation, pair-aware feasibility gating, Pareto-style candidate selection, and optional preference optimization through supervised fine-tuning and direct preference optimization. We evaluate the framework on climate change and vaccination persuasion tasks using a controlled context-rich demographic grid with matched gender and age pairs and a unified five-audit evaluation suite spanning persuasion bias, formality disparity, emotional framing disparity, lexical association disparity, and personalization fidelity. Across both domains and cross-family transfer settings, no single alignment strategy dominates all objectives simultaneously. Instead, methods occupy different regions of a fairness-personalization Pareto frontier: some achieve stronger disparity reductions, while others better preserve personalization or demographic stability. Our results show that fairness mitigation effects are objective-dependent and transfer inconsistently across domains and model families, motivating bounded-regression, multi-audit model selection over single-metric optimization for fairness-sensitive personalized generation.
• Abstract（参考訳）: パーソナライズされた説得力のあるテキスト生成は、関連性とエンゲージメントを改善することができるが、人口動態条件付けはまた、グループ間での不平等なフレーミングをもたらす可能性がある。 我々は,パーソナライゼーションの忠実さを維持しつつ,人口格差を低減させるため,パーソナライズ世代における公平さの軽減を制約された多目的アライメント問題として検討する。 そこで我々は,修正に基づく候補生成,ペア認識可能な実現性ゲーティング,パレートスタイルの候補選択,および教師付き微調整と直接選好最適化による任意の選好最適化を組み合わせたパレート誘導型教師アライメントフレームワークを提案する。 気候変動と予防接種に関する枠組みを,性別と年齢のペアが一致した制御された文脈に富んだ人口統計網と,説得バイアス,形式性格差,感情的フレーミング格差,語彙的関連格差,パーソナライズフィディリティにまたがる5段階評価スイートを用いて評価した。 両方のドメインとクロスファミリー転送設定にまたがって、単一のアライメント戦略がすべての目的を同時に支配することはない。 フェアネス・パーソナライゼーションの異なる領域を占有する手法はパレートフロンティア(Pareto Frontier)である。 本研究の結果から, 公正度低減効果は客観的依存であり, ドメインやモデルファミリ間で不整合に伝達し, 公平度依存型パーソナライズ生成のためのシングルメトリック最適化よりも, 有界回帰, マルチオーディトモデル選択を動機付けることが明らかとなった。

関連論文リスト

• CHOIR: Collaborative Harmonization fOr Inference Robustness [25.458744810976672]
  パーソナライズされた大規模言語モデル(LLM)は、パーソナライズされたコンテキスト認識推論を可能にする様々な役割を採用できる。 単純な代名詞変化のようなペルソナの小さな人口変動は、推論の軌跡を変えることができ、正しい答えの発散につながる。 我々は、複数のペルソナ条件の推論信号を統一的な予測に調和させるテストタイムフレームワークであるCHOIRを提案する。
  論文  参考訳（メタデータ） (2025-10-26T01:20:24Z)
• Strategic Costs of Perceived Bias in Fair Selection [25.24305795734348]
  メリトクラテスの制度は、技術と努力を公平に報酬することを目的としている。 人種、性別、階級の相違は この理想に挑戦します 我々は,異なる社会経済集団の候補者が選択後の知覚値が異なるゲーム理論モデルを構築した。
  論文  参考訳（メタデータ） (2025-10-23T14:38:05Z)
• SONA: Learning Conditional, Unconditional, and Mismatching-Aware Discriminator [54.562217603802075]
  帰納的バイアスを伴う最終層において,自然性(美容性)とアライメントを別々に投影するSONA(Sum of Naturalness and Alignment)を導入する。 クラス条件生成タスクの実験により、SONAは最先端の手法に比べて優れたサンプル品質と条件アライメントを達成することが示された。
  論文  参考訳（メタデータ） (2025-10-06T08:26:06Z)
• DisCo: Reinforcement with Diversity Constraints for Multi-Human Generation [60.741022906593685]
  DisCoは、マルチヒューマン世代におけるアイデンティティの多様性を直接最適化する最初のRLベースのフレームワークである。 グループ相対ポリシー最適化によるDisCo微粒フローマッチングモデル。 DiverseHumans Testsetでは、DisCoは98.6のユニークな顔の精度とほぼ完璧なグローバルアイデンティティスプレッドを実現している。
  論文  参考訳（メタデータ） (2025-10-01T19:28:51Z)
• Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment [103.12563033438715]
  人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。 既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。 制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
  論文  参考訳（メタデータ） (2024-02-29T12:12:30Z)
• Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
  この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。 我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
  論文  参考訳（メタデータ） (2020-06-13T06:43:37Z)

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。