挽救失足AI，不能光靠打骂 | 清华复旦新研究( 二 ) Alex衡宇发自凹非寺量子位|公众

目前所有的去偏方法都干预了三种机制中的一种或两种。
具体如下：
增强对D的数据干预，并在所有三种机制中进行干预；通过消除X在K中的性别空间上的几何投影，切断了D→X→K→Y的路径；性别平等正则化方法要么扭曲了D与X的关系，要么扭曲了D与K的关系，因此这类方法干预了D→X→Y和D→X→K→Y的机制。在解释了当前去偏方法中存在的偏见-性能困境后，团队尝试提出一种微调方法。
他们发现，三种机制中，有且仅有D→X→Y这种在导致性别偏见时，与transformer无关。

文章图片
如果微调方法仅仅通过D→X→Y纠正偏差，就可以在减少性别偏见的同时，保持模型的性能。
根据分解定理，团队进行了数值实验。
结果证明，这种方法能够带来双重红利：
减少部分性别偏见，同时避免性能下降。
经过实验，团队成员把AI性别偏见的来源定位于预训练模型的两个架构：词嵌入和转换。
据此，研究团队提出C4D方法，即通过调整标记嵌入来减少性别偏见。
这个方法的核心思想是通过修正被误导的X ，来缩小TDE函数，从而减少总偏差。

文章图片
虽然团队也不知道正确的标记嵌入到底该是啥，但是他们开发了一种基于梯度的方法，来推断潜在的groundtruth 。
一切就绪，团队将C4D方法应用于GPT-2试验去偏结果。
结果表明，在所有测试方法中， C4D方法在小、中、超大型GPT-2上的困惑度都是最低。
在大型GPT-2中， C4D的困惑度排第二，只比最高分差了0.4% 。

文章图片
而且，得分最高的方法，对性别歧视的去偏效果低于C4D 。
在GLUE数据集上， C4D方法获得了最高平均分。

文章图片
这表明， C4D可以明显地减少性别偏见，并保持模型性能。
听了这么多理论方面的介绍，来看个图例直观感受一下。
下面三张图中，蓝色的点代表潜入的男性偏见，红点代表女性偏见。
图(a)是AI本来的理解；图(b)是人类无目的一通谩骂后，吓笨了的AI的理解；图(c)是人类找到原因，耐心讲解过后AI的理解。

文章图片
在图(b)和(c)中，男性偏见和女性偏见的嵌入更加集中，这意味着偏见的水平较低。
同时可以注意到，图(c)中的嵌入仍然保持了图(a)中的拓扑结构，这也是C4D方法能够保持模型性能的原因。
研究者：或许还能减少AI的其他偏见“尽管这个方法可以有效缓解语言模型中AI对性别的偏见，但仍不足以完全消除。 ”
——研究者人员如实指出这个问题。
若想在不降低AI性能的条件下，进一步纠正AI的偏见，还需要更好地理解语言模型的机制。

文章图片
那怎样才能更好地理解？
一方面，是用本研究提出的“C4D方法”再去测试一下AI身上的其他偏见。
本实验的主要研究对象是：职场上的性别偏见。
而实际上，由于AI之前不断学习各种信息，属于来者不拒的那种，结果一不小心，还染上了宗教歧视、嫌黑爱白等社会固有的毛病……
所以，不妨去GPT-2上再测测去除其他偏见的最终效果。