改进反事实生成以实现公平的仇恨言论检测

偏见缓解方法减少了模型对数据敏感特征（如社会群体标记SGTs）的依赖，从而在敏感特征上实现平等的预测。然而，在仇恨言论检测中，均衡模型预测可能会忽略目标社会群体之间的重要差异，因为仇恨言论可能包含针对每个SGT的刻板语言。本文为了考虑每个SGT的特定语言，依赖反事实公平性，并通过改变SGTs生成的反事实之间均衡预测。我们的方法评估反事实之间句子似然性的相似性（通过预训练语言模型），以便仅在可互换的上下文中平等对待SGTs。通过对每个实例的受限反事实集应用逻辑配对来均衡结果，我们在保持仇恨言论检测模型性能的同时，改善了公平性指标。