이 문서는 CC BY-NC-SA 4.0 DEED 라이센스에 따라 arxiv에서 볼 수 있습니다.   저자:  (1) 방예진, 홍콩과기대학교 인공지능연구센터(CAiRE);  (2) 이나연, 홍콩과기대학교 인공지능연구센터(CAiRE);  (3) Pascale Fung, 홍콩과기대학교 인공지능연구센터(CAiRE).  링크 표   초록 및 소개   관련된 일   접근하다   실험   결론   제한 사항, 윤리 선언문 및 참고 자료   A. 실험 세부사항   나. 생성 결과  4. 실험  4.1. 설정   4.2. 모델    다중 뉴스 데이터 세트(Fabbri et al., 2019)(BARTMULTI(Lewis et al., 2019) 및 PEGASUSMULTI(Zhang et al., 2019a))에서 훈련된 기성 다중 문서 요약(MDS) 모델과 비교합니다. 기준으로. 이들 모델은 MDS에서 높은 성능을 달성했으며 편광 기사 요약에도 적용할 수 있습니다. 그러나 이러한 모델에는 프레이밍 편견 제거 또는 중립적 글쓰기에 대한 학습이 없습니다. 또한 ALLSIDES 데이터세트로 미세 조정된 최신 모델(BARTNEUSFT 및 BARTNEUSFT-T)(Lee et al., 2022)과도 비교합니다. BARTNEUSFT는 기사로만 미세 조정되는 반면 BARTNEUSFT-T는 각 기사의 제목을 추가로 활용합니다. 또한 PEGASUSNEUSFT를 보고합니다. 단순히 미세 조정하는 것만으로는 프레이밍 편향을 학습할 만큼 효과적이지 않을 수 있습니다. 따라서 우리는 극성 최소화 손실이 어떻게 기준선 및 SOTA 모델과 비교하여 프레이밍 편향을 효과적으로 완화할 수 있는지 보여줄 것입니다.  기준선  4.3. 결과     중앙 매체와의 혼합보다 극단(왼쪽, 오른쪽) 간의 극성 최소화가 더 효과적인지 조사합니다. 이는 중앙 매체가 편견에서 완전히 자유롭지는 않지만 좌파와 우파 이데올로기는 중앙 매체보다 극단에 대해 모델을 더 효과적으로 훈련할 수 있는 반대쪽이기 때문입니다. 정성적 분석 결과는 정량적 측정값과 일치합니다. 예를 들어, 표 2에 설명된 것처럼 극성 최소화 모델 LR-INFO 및 LRC-AROUSAL은 모두 극성 입력 항목의 필수 정보로 요약할 수 있습니다. 특히 편향이 가장 낮은 모델인 LR-INFO는 더욱 중립적인 단어 선택을 사용할 수도 있습니다(예: Y를 대상으로 하는 "폭동" 대신 "항의").  극단 극성을 이용한 효과적인 학습  4.4. 분석 

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

이 오디오는 이야기의 원래 언어로 제작되었습니다!

너무 오래; 읽다

Boost your HackerNoon story @ $159.99! 🚀

극성 최소화 손실로 프레이밍 바이어스 완화: 실험

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

바다 항해: 데이터 레이크를 사용하여 프로덕션 등급 RAG 애플리케이션 개발

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps