ترجمه فارسی مقاله انصاف در مدلهای بزرگ زبان در سه ساعت

چکیده

Large Language Models (LLMs) have demonstrated remarkable success across various domains but often lack fairness considerations, potentially leading to discriminatory outcomes against marginalized populations. Unlike fairness in traditional machine learning, fairness in LLMs involves unique backgrounds, taxonomies, and fulfillment techniques. This tutorial provides a systematic overview of recent advances in the literature concerning fair LLMs, beginning with real-world case studies to introduce LLMs, followed by an analysis of bias causes therein. The concept of fairness in LLMs is then explored, summarizing the strategies for evaluating bias and the algorithms designed to promote fairness. Additionally, resources for assessing bias in LLMs, including toolkits and datasets, are compiled, and current research challenges and open questions in the field are discussed. The repository is available at url{https://github.com/LavinWong/Fairness-in-Large-Language-Models}.

چکیده به فارسی (ترجمه ماشینی)

مدلهای بزرگ زبان (LLM) موفقیت چشمگیری را در حوزه های مختلف نشان داده اند اما اغلب فاقد ملاحظات انصاف هستند ، که به طور بالقوه منجر به نتایج تبعیض آمیز در برابر جمعیت های حاشیه نشین می شود.بر خلاف انصاف در یادگیری ماشین سنتی ، انصاف در LLMS شامل پیشینه های منحصر به فرد ، طبقه بندی ها و تکنیک های تحقق است.این آموزش یک مرور کلی از پیشرفت های اخیر در ادبیات مربوط به LLM های منصفانه ، با شروع مطالعات موردی در دنیای واقعی برای معرفی LLM ها ، و به دنبال آن تجزیه و تحلیل دلایل تعصب در آن ارائه می دهد.مفهوم انصاف در LLMS سپس مورد بررسی قرار می گیرد ، و خلاصه استراتژی های ارزیابی تعصب و الگوریتم های طراحی شده برای ارتقاء انصاف.علاوه بر این ، منابع برای ارزیابی تعصب در LLM ها ، از جمله مجموعه های ابزار و مجموعه داده ها ، گردآوری شده و چالش های تحقیق فعلی و سؤالات باز در این زمینه مورد بحث قرار گرفته است.مخزن در url {https://github.com/lavinwong/fairness-in-large-language-models} در دسترس است.