通过极性最小化损失减轻框架偏差：实验

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

基线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。

4.3. 结果

通过极端极性进行有效学习我们发现，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”）。

4.4. 分析