该论文可在 arxiv 上根据 CC BY-NC-SA 4.0 DEED 许可获取。 作者：  （1）Yejin Bang，香港科技大学人工智能研究中心（CAiRE）；  （2） Nayeon Lee，香港科技大学人工智能研究中心（CAiRE）；  （3）冯廷哲，香港科技大学人工智能研究中心（CAiRE）。 链接表 摘要和简介 相关工作 方法 实验 结论 局限性、道德声明和参考文献 A.实验细节 B. 生成结果 4.实验 4.1. 设置  4.2. 模型 我们与在多新闻数据集 (Fabbri et al., 2019) (BARTMULTI (Lewis et al., 2019) 和 PEGASUSMULTI (Zhang et al., 2019a)) 上训练的现成的多文档摘要 (MDS) 模型作为基线进行比较。这些模型在 MDS 中取得了高性能，也可以应用于总结两极分化的文章。然而，这些模型没有任何关于消除框架偏见或中性写作的学习。我们还与使用 ALLSIDES 数据集微调的最先进的模型 (BARTNEUSFT 和 BARTNEUSFT-T) (Lee et al., 2022) 进行了比较。BARTNEUSFT 仅使用文章进行微调，而 BARTNEUSFT-T 还利用了每篇文章的标题。我们还报告了 PEGASUSNEUSFT。简单的微调可能不足以有效地了解框架偏见。因此，我们将展示与基线和 SOTA 模型相比，极性最小化损失如何有效地减轻框架偏差。  基线  4.3. 结果 我们发现，极端（左、右）之间的极性最小化比混合中心媒体更有效。这是因为左翼和右翼意识形态是相反的两端，虽然中心媒体并非完全没有偏见，但它们可以比中心媒体更有效地训练关于极端的模型。定性分析结果与定量指标一致。例如，如表 2 所示，极性最小化模型 LR-INFO 和 LRC-AROUSAL 都可以从极化的输入文章中总结出基本信息。特别是 LR-INFO，它是偏见最低的模型，甚至可以使用更中性的词语（例如，对于目标 Y，使用“抗议”而不是“暴乱”）。  通过极端极性进行有效学习  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

該音頻是用故事的原始語言製作的！

太長; 讀書

Boost your HackerNoon story @ $159.99! 🚀

通过极性最小化损失减轻框架偏差：实验

About Author

註釋

標籤

这篇文章刊登在

Related Stories

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

架构师指南：构建 AI/ML 数据湖参考架构

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

使用这 18 种开发工具来提高你的工作效率 🚀🔥

想赢得 HackerNoon 写作比赛吗？以下是 #crypto-api 比赛获奖者的推荐

架构师指南：构建 AI/ML 数据湖参考架构

Floki 的 Valhalla 成为印度环斯里兰卡赛事联合赞助商

使用这 18 种开发工具来提高你的工作效率 🚀🔥

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps