Framework di stima del bias basato sulla semantica per l'equità nei modelli audio linguistici di grandi dimensioni
Un nuovo articolo di ricerca propone un framework di regressione a effetti misti sensibile alla semantica per valutare l'equità nei modelli audio linguistici di grandi dimensioni (LALM), affrontando fattori di confondimento come la variazione semantica e le caratteristiche specifiche del parlante. Il framework incorpora embedding semantici a livello di frase estratti dal LALM stesso come covariate e modella l'identità del parlante come effetto casuale, consentendo di controllare la variazione percepita dal modello. Esperimenti su dati simulati e reali dimostrano l'efficacia dell'approccio nel mitigare conclusioni fuorvianti sul bias del modello. L'articolo è disponibile su arXiv (2608.13624) ed è stato annunciato come una sottomissione di tipo 'cross'.
Fatti principali
- L'articolo propone un framework di regressione a effetti misti sensibile alla semantica per la valutazione dell'equità nei LALM.
- Il framework tiene conto di fattori di confondimento, inclusa la variazione semantica e le caratteristiche specifiche del parlante.
- Le rappresentazioni semantiche sono estratte dallo stesso LALM sotto valutazione.
- L'identità del parlante è modellata come effetto casuale.
- Sono stati condotti esperimenti su dati simulati e reali.
- L'articolo è disponibile su arXiv con ID 2608.13624.
- Il tipo di annuncio è 'cross'.
- L'articolo affronta le preoccupazioni sull'equità in compiti di comprensione audio come il riconoscimento vocale e il question answering audio.
Entità
Istituzioni
- arXiv