この論文は、CC BY-NC-SA 4.0 DEED ライセンスの下で arxiv で公開されています。 著者:  （１）香港科技大学人工知能研究センター（CAiRE）、イェジン・バン氏 （２）香港科技大学人工知能研究センター（CAiRE）のナヨン・リー氏 （３）香港科技大学人工知能研究センター（CAiRE）、パスカル・ファング氏 リンク一覧 概要と序文 関連作業 アプローチ 実験 結論 制限事項、倫理声明および参考文献 A. 実験の詳細 B. 生成結果 4. 実験 4.1. セットアップ  4.2. モデル として、マルチニュースデータセット (Fabbri et al., 2019) でトレーニングされた既製のマルチドキュメント要約 (MDS) モデル (BARTMULTI (Lewis et al., 2019) および PEGASUSMULTI (Zhang et al., 2019a)) と比較します。これらのモデルは MDS で高いパフォーマンスを達成しており、二極化した記事の要約にも適用できます。ただし、これらのモデルには、フレーミングバイアスの除去や中立的な書き込みに関する学習はありません。また、ALLSIDES データセットで微調整された最先端のモデル (BARTNEUSFT および BARTNEUSFT-T) (Lee et al., 2022) とも比較します。BARTNEUSFT は記事のみで微調整されますが、BARTNEUSFT-T は各記事のタイトルも活用します。PEGASUSNEUSFT についても報告します。単純な微調整だけでは、フレーミング バイアスを学習するのに十分ではない可能性があります。そこで、極性最小化損失がベースライン モデルや SOTA モデルと比較して、フレーミング バイアスを効果的に軽減する方法を説明します。  ベースライン ベースライン  4.3. 結果 極端な端（左、右）間の極性の最小化は、中心メディアとの混合よりも効果的であることを調査しました。これは、中心メディアが完全に偏りがないわけではないものの、左翼と右翼のイデオロギーは、中心メディアよりも極端な端についてより効果的にモデルをトレーニングできる反対の端であるためです。定性分析の結果は、定量的な尺度と一致しています。たとえば、表2に示すように、極性が最小化されたモデルLR-INFOとLRC-AROUSALはどちらも、偏った入力記事から重要な情報を要約できます。特に、最も偏りの少ないモデルであるLR-INFOは、より中立的な単語の選択（たとえば、ターゲットYと同じ「暴動」ではなく「抗議」）を使用することもできます。  極端な極性による効果的な学習  4.4. 分析

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

MediaBias.TECH

We publish deeply researched (and often vastly underread) academic papers about our collective omnipresent media bias.

MediaBias's

このオーディオは、ストーリーの元の言語で制作されています。

長すぎる; 読むには

Boost your HackerNoon story @ $159.99! 🚀

極性最小化損失によるフレーミングバイアスの緩和: 実験

About Author

コメント

ラベル

この記事は

Related Stories

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

デジタルノマドの皆さん、タイの新しい DTV ビザについて知っておくべきこと

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

18 種類の開発者ツールで生産性を向上しましょう 🚀🔥

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

デジタルノマドの皆さん、タイの新しい DTV ビザについて知っておくべきこと

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps