通过零样本多语言回译防止作者画像
计算与语言
2021-09-21 v1
摘要
短至单句的文件也可能无意间泄露其作者的敏感信息，例如性别或族裔。风格迁移是一种有效的文本转换手段，可去除任何可用于作者画像的信息。然而，对于若干当前最先进的方法，隐私提升伴随着转换数据下游效用的不良下降。本文提出一种简单的零样本方法，利用现成翻译模型通过多语言回译有效降低作者画像风险。我们在跨不同领域的三个数据集上，将我们的模型与五种代表性文本风格迁移模型进行比较。自动与人工评估结果表明，我们的方法在无需训练数据的情况下取得了最佳综合性能。我们能将性别与种族的对抗性预测降低至多，同时在下游任务中保留原始效用的。
引用
@article{arxiv.2109.09133,
title = {Preventing Author Profiling through Zero-Shot Multilingual Back-Translation},
author = {David Ifeoluwa Adelani and Miaoran Zhang and Xiaoyu Shen and Ali Davody and Thomas Kleinbauer and Dietrich Klakow},
journal= {arXiv preprint arXiv:2109.09133},
year = {2021}
}
备注
Accepted to EMNLP 2021 (Main Conference), 9 pages