آیا تا به حال دقت کردهاید که چرا برخی سیستمهای توصیهگر (مثل پیشنهاد محصول در آمازون)، گاهی اوقات به آیتمهای طولانیتر یا کوتاهتر بیش از حد بها میدهند؟ این یک مشکل رایج به نام «سوگیری طول» (Length Bias) است که در مدلهای زبانی بزرگ (LLMs) استفاده شده در این سیستمها وجود دارد.
محققان به تازگی چارچوب جدید و سبکی به نام LBR معرفی کردهاند که این مشکل را به دو صورت حل میکند:
۱. کالیبراسیون توجه: برای رفع سوگیری در ورودی.
۲. نرمالسازی اطلاعاتی: برای بهبود دقت در خروجی.
این فریمورک مدل-آگنوستیک است و میتواند بدون نیاز به تغییرات ساختاری سنگین، دقت سیستمهای پیشنهادی مبتنی بر هوش مصنوعی را بهشدت افزایش دهد. گامی مهم برای ارائه پیشنهادهایی دقیقتر و منصفانهتر! 🚀
گر
منبع: arXiv AI