論文の概要: FairLMs: A Turnkey Library for Fairness in Language Models

• arxiv url: http://arxiv.org/abs/2609.21296v1
• Date: Fri, 18 Sep 2026 04:11:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.854334
• Title: FairLMs: A Turnkey Library for Fairness in Language Models
• Title（参考訳）: FairLMs: 言語モデルにおける公平性のためのターンキーライブラリ
• Abstract要約: textbfFairLMsは、モデル機能と入力要求の明示的な宣言を通じてアクティビティを接続するPythonライブラリです。 FairLMsは、33の内在的および外在的メトリクス、4つの介入アダプタにまたがる14の緩和コンポーネント、14のデータセットとスコアインストラクタ診断、3つのTransformerアーキテクチャとホストされたコンプリートAPI、およびベンチマークローダを提供する。
• 参考スコア（独自算出の注目度）: 13.944063655545898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness research on language models involves measuring bias, applying mitigation methods, and examining the evidence on which an evaluation rests. Existing tools offer complementary functionality through different interfaces, so combining them requires reconciling model interfaces, evidence formats, access constraints, and result types before applicability can be checked or methods compared. We introduce \textbf{FairLMs}, a Python library that connects these activities through explicit declarations of model capabilities and input requirements. It provides 33 intrinsic and extrinsic metrics, 14 mitigation components spanning four intervention categories, 14 dataset and scoring-instrument diagnostics, adapters for the three Transformer architectures and supported hosted completion APIs, and benchmark loaders. Declarations are checked before execution and results carry the configuration under which they were obtained, so that compatible components can be combined, methods compared under a common protocol, and workflows extended to new models and datasets. The source code is available at: https://github.com/FairLMs/FairLMs.
• Abstract（参考訳）: 言語モデルに関する公正な研究は、偏見の測定、緩和法の適用、評価が残されている証拠の調査を含む。 既存のツールは、異なるインターフェースを通じて補完的な機能を提供するため、それらを組み合わせるには、モデルインターフェース、エビデンスフォーマット、アクセス制約、および適用性を確認する前に結果タイプを調整する必要がある。 モデル機能と入力要求の明示的な宣言を通じて,これらのアクティビティを接続するPythonライブラリである‘textbf{FairLMs} を紹介した。 4つの介入カテゴリにまたがる14の緩和コンポーネント、14のデータセットとスコアインストラクタ診断、3つのTransformerアーキテクチャ用のアダプタ、サポート対象のコンプリートAPI、ベンチマークローダを提供する。 宣言は実行前にチェックされ、結果として取得した構成が保持されるため、互換性のあるコンポーネント、共通プロトコルで比較されたメソッド、新しいモデルやデータセットに拡張されたワークフローなどを組み合わせることができる。 ソースコードは、https://github.com/FairLMs/FairLMs.comで入手できる。

関連論文リスト

• A Machine Learning API for Earth Observation Data Cubes Based on openEO [0.036944296923226316]
  本稿では、モデル、モデルアクション(トレーニング、チューニング、推論、検証)、モデル管理の3段階からなるopenEOのためのプロセスレベルMLを提案する。 RとPythonの3つのプロトタイプ実装は、様々な技術スタックで実現可能であることを示している。
  論文  参考訳（メタデータ） (2026-09-11T19:14:52Z)
• One Adapter Pair per Model: A Universal Activation Interface for Language Models [7.154775354163099]
  アクティベーションベースのツールは、通常、あるモデルのネイティブな隠れスペースに結びついている。 互換性のある言語モデル間で共通のアクティベーションインターフェースを提供するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T12:21:36Z)
• Detecting Functional Memorization in Code Language Models [11.225523703073504]
  機能記憶について研究する:機能論理の抽出は、動詞の指標が検出する範囲を超えて行われる。 以上の結果から,テキストの重複を超越した監査指標の必要性が示唆された。
  論文  参考訳（メタデータ） (2026-06-11T00:03:25Z)
• HuggingR$^{4}$: A Progressive Reasoning Framework for Discovering Optimal Model Companions [50.61510609116118]
  HuggingR$4$は、Reasoning、Retrieval、Refinement、Reflectionを組み合わせて効率的にモデルを選択する新しいフレームワークである。 作業性率は92.03%、理性率は82.46%に達し、それぞれ26.51%、33.25%を超える。
  論文  参考訳（メタデータ） (2025-11-24T03:13:45Z)
• ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
  ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。 我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2024-09-02T03:19:56Z)
• Interfacing Foundation Models' Embeddings [131.0352288172788]
  ファウンデーションモデルの埋め込みと、モダリティと粒度にまたがる統合イメージとデータセットレベルの理解を整合させる汎用インターフェースであるFINDを提案する。 インターリーブド埋め込み空間を考慮したFIND-Benchでは,インターリーブドセグメンテーションと検索のためのCOCOデータセットに新たなトレーニングと評価アノテーションを導入している。
  論文  参考訳（メタデータ） (2023-12-12T18:58:02Z)
• Adapted Multimodal BERT with Layer-wise Fusion for Sentiment Analysis [84.12658971655253]
  本稿では,マルチモーダルタスクのためのBERTベースのアーキテクチャであるAdapted Multimodal BERTを提案する。 アダプタはタスクの事前訓練された言語モデルを手動で調整し、融合層はタスク固有の層ワイドな音声視覚情報とテキストBERT表現を融合させる。 われわれは、このアプローチがより効率的なモデルにつながり、微調整されたモデルよりも優れ、ノイズの入力に堅牢であることを示した。
  論文  参考訳（メタデータ） (2022-12-01T17:31:42Z)
• BenchCLAMP: A Benchmark for Evaluating Language Models on Syntactic and Semantic Parsing [55.058258437125524]
  本稿では,制約付きLanguage Model Parsingを評価するベンチマークであるBenchCLAMPを紹介する。 APIを通じてのみ利用可能な2つのGPT-3変種を含む8つの言語モデルをベンチマークする。 実験により,エンコーダ-デコーダ事前学習言語モデルでは,モデル出力が有効であると制約された場合に,構文解析や意味解析の最先端手法を超えることができることがわかった。
  論文  参考訳（メタデータ） (2022-06-21T18:34:11Z)
• Coarse-to-Fine Memory Matching for Joint Retrieval and Classification [0.7081604594416339]
  共同検索と分類のための新しいエンドツーエンド言語モデルを提案する。 FEVERファクト検証データセットの標準ブラインドテストセットで評価する。 我々は、モデルを分析・制約するためのこの設定に、模範監査を拡張します。
  論文  参考訳（メタデータ） (2020-11-29T05:06:03Z)

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。