面向多语言机器翻译中偏见缓解的目标无关性别感知对比学习

性别偏见是机器翻译中的一个重大问题，促使人们持续研究开发偏见缓解技术。然而，大多数工作聚焦于去偏双语模型，而未充分考虑多语言系统。在本文中，我们专门针对多语言机器翻译模型在存在唯一正确翻译的无歧义情形下的性别偏见问题，并提出一种基于新颖方法的偏见缓解方法。具体而言，我们提出性别感知对比学习（Gender-Aware Contrastive Learning, GACL），其将上下文性别信息编码进非显式性别词的表示中。我们的方法与目标语言无关，并可通过微调应用于预训练的多语言机器翻译模型。通过多语言评测，我们表明该方法在大幅不损害翻译性能的情况下提升了性别准确率。我们还观察到，所融入的性别信息会迁移并有益于其他目标语言的性别准确率。最后，我们证明了我们的方法对多种规模的模型均适用且有益。