利用词嵌入技术均衡神经机器翻译中的性别偏见
计算与语言
2019-06-04 v2
摘要
神经机器翻译显著推动了该领域质量的提升。然而，输出译文仍存在重大问题，其中之一是公平性。神经模型在包含偏见与刻板印象的大型文本语料上训练，因此模型继承了这些社会偏见。近期方法已在降低其他自然语言处理工具（如词嵌入）中的性别偏见方面显示出成效。我们利用词嵌入被用于神经机器翻译这一事实，提出一种利用这些表示来均衡神经机器翻译中性别偏见的方法。具体而言，我们提出、实验并分析了在 Transformer 翻译架构中将两种去偏技术应用于 GloVe 嵌入的集成。我们在 WMT 英西基准任务上评估所提出的系统，显示出最高达一个 BLEU 点的提升。至于性别偏见评估，我们生成了一个职业测试集，并表明我们所提出的系统学会了均衡基线系统中存在的偏见。
引用
@article{arxiv.1901.03116,
title = {Equalizing Gender Biases in Neural Machine Translation with Word Embeddings Techniques},
author = {Joel Escudé Font and Marta R. Costa-jussà},
journal= {arXiv preprint arXiv:1901.03116},
year = {2019}
}
备注
This paper has been accepted for publication at the 1st ACL Workshop on Gender Bias for Natural Language Processing (2019)