观点：LLM必须采用函数组合和RAG驱动的偏见缓解以实现公平
计算与语言
2026-03-10 v1 人工智能
摘要
大型语言模型（LLM）中的偏见常表现为人口统计属性与专业或社会角色之间关联的系统性扭曲，强化了跨性别、族裔和地理位置的有害刻板印象。这篇观点论文提倡通过双管齐下的 метод学，集成范畴论变换和检索增强生成（RAG），来解决LLM中的人口统计和性别偏见。范畴论提供一种严谨、结构保持的数学框架，通过函子将偏见语义域映射到无偏见的规范形式，确保在保持语义完整性的同时实现偏见消除。补充而言，RAG在推理过程中动态注入多样且最新的外部知识，直接抵消模型参数中内化的偏见。通过将通过函子基于结构的去偏见与通过RAG的情境 grounding 相结合，我们概述了一个能够提供公平且公正模型输出的综合框架。我们的文献综述验证了每种方法各自的有效性，同时通过解决潜在批评，展示了这种集成策略的稳健性。确保LLM的公平性，因而需要范畴论变换的数学严谨性和检索增强的灵活性。
引用
@article{arxiv.2603.07368,
title = {Position: LLMs Must Use Functor-Based and RAG-Driven Bias Mitigation for Fairness},
author = {Ravi Ranjan and Utkarsh Grover and Agorista Polyzou},
journal= {arXiv preprint arXiv:2603.07368},
year = {2026}
}
备注
24 pages, 3 figures