论文略读：The Devil is in the Neurons: Interpreting and Mitigating Social Biases in Language Models

iclr 2024 reviewer 打分 6668

• 大型预训练语言模型（PLMs）倾向于展现社会偏见，需要检测和缓解之
  • 大多数检测PLMs中社会偏见的方法依赖于基于提示或探测的技术，将PLMs视为黑箱
    • 这些方法通常从设计提示模板或探测方案开始，以引出PLMs的偏见输出
    • 随后，他们通过计算偏见输出的比例来衡量模型的公平性
    • 这种方法的有效性严重依赖于所设计的提示模板或探测方案的质量
  • 此外，许多先前的去偏方法都集中于构建反刻板印象数据集，然后重新训练PLM或进行微调
    • 这一系列去偏方法虽然有效，但数据构建和模型重新训练的成本很高。
    • 此外，如果进行微调，还面临灾难性遗忘的挑战
• ——>论文引入“社会偏见神经元”的概念来探讨和缓解PLMs中的社会偏见
  • 旨在回答两个问题：
    • （1）如何精确识别PLMs中的社会偏见神经元？
      • ——>引入一种可解释技术&#