کاهش تعصب قاب‌بندی با کاهش تلفات قطبیت: آزمایش‌ها

این مقاله در arxiv تحت مجوز CC BY-NC-SA 4.0 DEED موجود است.

نویسندگان:

(1) Yejin Bang، مرکز تحقیقات هوش مصنوعی (CAiRE)، دانشگاه علم و فناوری هنگ کنگ؛

(2) Nayeon Lee، مرکز تحقیقات هوش مصنوعی (CAiRE)، دانشگاه علم و فناوری هنگ کنگ.

(3) پاسکال فانگ، مرکز تحقیقات هوش مصنوعی (CAiRE)، دانشگاه علم و فناوری هنگ کنگ.

4. آزمایشات

4.1. برپایی

4.2. مدل ها

خطوط پایه ما با مدل‌های خلاصه‌سازی چند اسنادی خارج از قفسه (MDS) آموزش‌دیده بر روی مجموعه داده‌های چند خبری (Fabbri و همکاران، 2019) (BARTMULTI (Lewis et al., 2019) و PEGASUSMULTI (Zhang و همکاران، 2019a)) مقایسه می‌کنیم. خطوط پایه این مدل‌ها در MDS به کارایی بالایی دست یافته‌اند که می‌تواند در خلاصه کردن مقالات قطبی نیز به کار رود. با این حال، این مدل‌ها در مورد حذف سوگیری کادربندی یا نوشتن خنثی اطلاعاتی ندارند. ما همچنین با مدل‌های پیشرفته (BARTNEUSFT و BARTNEUSFT-T) (لی و همکاران، 2022) که با مجموعه داده ALLSIDES به‌خوبی تنظیم شده‌اند، مقایسه می‌کنیم. BARTNEUSFT فقط با مقالات تنظیم می شود در حالی که BARTNEUSFT-T علاوه بر این از عناوین هر مقاله استفاده می کند. ما همچنین PEGASUSNEUSFT را گزارش می کنیم. تنظیم دقیق ممکن است به اندازه کافی برای یادگیری در مورد تعصب کادربندی موثر نباشد.