C2PO：LLMにおけるバイアスショートカットへの対処

この論文は、大規模言語モデル（LLM）におけるステレオタイプバイアスと構造的バイアスの両方を軽減するための新しいフレームワーク、C2POを紹介しています。LLMにおける信頼性を損なうバイアスの存在という重要な問題に対処しています。この論文の重要性は、従来の、あるバイアスを別のバイアスとトレードオフすることが多かった手法とは異なり、複数の種類のバイアスに同時に取り組む統一的なアプローチにある。因果的カウンターファクトシグナルと公平性重視の選好更新メカニズムの使用は、重要な革新です。

• •C2POは、LLMにおけるステレオタイプバイアスと構造的バイアスの両方を軽減するための統一されたアライメントフレームワークです。
• •因果的カウンターファクトシグナルを使用して、バイアスを誘発する特徴を特定し、抑制します。
• •このフレームワークは、公平性重視の選好更新メカニズムを採用しています。
• •実験により、C2POが一般的な推論能力を維持しながらバイアスを効果的に軽減することが示されています。