ترجمه فارسی مقاله انتخاب تظاهرات استراتژیک برای بهبود انصاف در یادگیری درون زمینه LLM

چکیده

Recent studies highlight the effectiveness of using in-context learning (ICL) to steer large language models (LLMs) in processing tabular data, a challenging task given the structured nature of such data. Despite advancements in performance, the fairness implications of these methods are less understood. This study investigates how varying demonstrations within ICL prompts influence the fairness outcomes of LLMs. Our findings reveal that deliberately including minority group samples in prompts significantly boosts fairness without sacrificing predictive accuracy. Further experiments demonstrate that the proportion of minority to majority samples in demonstrations affects the trade-off between fairness and prediction accuracy. Based on these insights, we introduce a mitigation technique that employs clustering and evolutionary strategies to curate a diverse and representative sample set from the training data. This approach aims to enhance both predictive performance and fairness in ICL applications. Experimental results validate that our proposed method dramatically improves fairness across various metrics, showing its efficacy in real-world scenarios.

چکیده به فارسی (ترجمه ماشینی)

مطالعات اخیر اثربخشی استفاده از یادگیری درون متن (ICL) را برای هدایت مدل های بزرگ زبان (LLMS) در پردازش داده های جدولی ، یک کار چالش برانگیز با توجه به ماهیت ساختاری چنین داده هایی نشان می دهد.با وجود پیشرفت در عملکرد ، پیامدهای انصاف این روشها کمتر درک می شود.این مطالعه به بررسی چگونگی تظاهرات مختلف در ICL می پردازد که بر نتایج انصاف LLM ها تأثیر می گذارد.یافته های ما نشان می دهد که عمدا شامل نمونه های گروه اقلیت ها در حالت های مختلف ، بدون قربانی کردن دقت پیش بینی ، به طور قابل توجهی انصاف را تقویت می کند.آزمایش های بیشتر نشان می دهد که نسبت اقلیت به نمونه های اکثریت در تظاهرات بر تجارت بین عدالت و دقت پیش بینی تأثیر می گذارد.بر اساس این بینش ها ، ما یک تکنیک کاهش را معرفی می کنیم که از استراتژی های خوشه بندی و تکاملی استفاده می کند تا نمونه ای متنوع و نماینده را از داده های آموزش تنظیم کند.این رویکرد با هدف تقویت عملکرد پیش بینی کننده و انصاف در برنامه های ICL انجام شده است.نتایج تجربی تأیید می کند که روش پیشنهادی ما به طور چشمگیری انصاف را در معیارهای مختلف بهبود می بخشد و اثربخشی آن را در سناریوهای دنیای واقعی نشان می دهد.