KnowBias：通过 Know-Bias 神经元增强缓解 LLM 中的社会偏见
人工智能
2026-01-30 v1
摘要
大型语言模型（LLMs） exhibit social biases that reinforce harmful stereotypes, limiting their safe deployment. 现有大多数去偏方法采用抑制性范式，通过修改与偏差行为相关的参数、提示或神经元来实现，但此类方法常常脆弱、泛化较弱、数据效率低，且容易降低通用能力。我们提出 KnowBias 框架，这是一个轻量且概念上独特的方法，通过强化而非抑制编码偏差知识的神经元来缓解偏见。KnowBias 通过基于归因分析的方法识别编码偏差知识的神经元，并在推理时选择性地增强这些神经元。该设计实现了强大的去偏效果，同时保持通用能力，能够跨越不同偏差类型和人口统计学特征进行泛化，且数据效率极高，只需少量简单 yes/no 问题即可实现，无需重新训练。在多个基准测试和 LLMs 上进行的实验表明，KnowBias 在保持最小化实用性损失的同时，持续实现最先进的去偏性能。数据和代码已公开于 https://github.com/JP-25/KnowBias。
引用
@article{arxiv.2601.21864,
title = {KnowBias: Mitigating Social Bias in LLMs via Know-Bias Neuron Enhancement},
author = {Jinhao Pan and Chahat Raj and Anjishnu Mukherjee and Sina Mansouri and Bowen Wei and Shloka Yada and Ziwei Zhu},
journal= {arXiv preprint arXiv:2601.21864},
year = {2026}
}