Representing the Under-Represented: Cultural and Core Capability Benchmarks for Developing Thai Large Language Models
Upstage AI(上阶人工智能);Chulalongkorn University(朱拉隆功大学)
针对泰语大语言模型缺乏适配的核心能力与文化评估基准的问题,提出Thai-H6和ThaiCLI两大基准,经多语言LLM评估验证其价值,并将开源相关资源以助力泰语LLM发展。
2024-10-08 cs.AI cs.CL
A Multi-Encoder Frozen-Decoder Approach for Fine-Tuning Large Language Models
Emory University(埃默里大学)
该研究提出多编码器冻结解码器的大模型参数高效微调方法,在AlexaTM上实验验证其可降部署开销、缓解遗忘,搭配大模型还能维持甚至提升结构化与问答任务性能。
2025-01-14 cs.AI cs.CL cs.LG
Developing a Pragmatic Benchmark for Assessing Korean Legal Language Understanding in Large Language Models
University of Seoul(首尔大学);LBox;Hanyang University(汉阳大学)
本文提出KBL基准,通过法律知识、推理任务及韩国律师资格考试,在闭卷和RAG设置下全面评估LLMs的韩语法律语言理解能力,揭示现有模型的改进空间。
2024-10-11 cs.AI cs.CL
Pipeline Analysis for Developing Instruct LLMs in Low-Resource Languages: A Case Study on Basque
Orai NLP Technologies(奥赖自然语言处理技术公司)
本文分析了在低资源语言巴斯克语下开发指令LLM的流水线,通过持续预训练、指令微调与人类偏好对齐,使模型NLU提升12分、指令遵循提升24分,并在100亿参数以下类别中达到SOTA。
2024-12-18 cs.AI cs.CL cs.LG
RaLLe: A Framework for Developing and Evaluating Retrieval-Augmented Large Language Models
Kioxia Corporation(铠侠公司)
RaLLe是一个开源框架,用于开发、评估和优化检索增强大型语言模型,通过改进提示和评估各推理过程,提升知识密集型任务的性能。
2023-10-16 cs.AI cs.CL
Speech and Natural Language Processing Technologies for Pseudo-Pilot Simulator
Idiap Research Institute(Idiap 研究所);Brno University of Technology(布尔诺理工大学);Ecole Polytechnique Federale de Lausanne(洛桑联邦理工学院);University of Zurich(苏黎世大学)
本文介绍了一种简单而有效的基于重复的模块化系统,以加快空中交通管制员(ATCos)的培训。例如,在一个示例中,在ATCo培训期间,EUROCONTROL的ESCAPE lite模拟器(参见https://www.eurocontrol.int/simulator/escape)中仍然需要人类驾驶员。然而,这种需要可以被一个自动系统取代,它可以充当飞行员。在本文中,我们的目标是通过合并不同的人工智能(AI)动力模块来开发并将伪飞行员代理集成到ATCo训练管道中。该系统理解ATCo发出的语音通信,并且反过来,它生成遵循飞行员的措辞的语音提示到初始通信。我们的系统主要依赖于开源AI工具和空中交通管制(ATC)数据库,因此证明了其简单性和可复制性。整个流水线由以下部分组成:(1)接收并预处理原始音频的输入流的子模块,(2)将音频转换成单词序列的自动语音识别(ASR)系统;(3)高级ATC相关实体解析器,其从通信中提取相关信息,即,呼号和命令,以及最后,(4)语音合成器子模块,其基于先前提取的高级ATC实体生成响应。总的来说,我们表明,该系统可以为开发一个真正的概念验证伪试点系统铺平道路。因此,加快ATCO的培训,同时大幅降低其整体成本。
2022-12-14 cs.AI cs.CL cs.LG
FoodPuzzle: Developing Large Language Model Agents as Flavor Scientists
University of Southern California(南加州大学);University of California, Davis(加州大学戴维斯分校)
针对传统风味研究效率低、扩展性差的问题,本文定义风味科学智能体新问题域,推出含978种食品和1766个风味分子特征的FoodPuzzle基准,提出结合上下文学习与检索增强的科学智能体方法,在风味特征预测任务上显著优于传统方法。
2024-10-07 cs.AI cs.CL
Developing Healthcare Language Model Embedding Spaces
University of Oxford(牛津大学);NHS England(英格兰国家医疗服务体系);University of Liverpool(利物浦大学)
本文探索通过掩码语言建模、DeCLUTR对比学习和元数据预训练三种方法使小型LLMs适应医疗数据集,发现对比训练在文档分类上表现最佳,且领域适应模型均优于通用基础模型,为低计算预算下的医疗LLM专业化部署提供了有效方案。
2024-03-28 cs.AI cs.CL
Rapidly Developing High-quality Instruction Data and Evaluation Benchmark for Large Language Models with Minimal Human Effort: A Case Study on Japanese
Kyoto University(京都大学)
针对非英语大语言模型指令资源构建人力成本高的问题,提出基于GPT-4的日语自指令生成方法与自动评估基准,微调模型性能显著优于现有日语方案且LLaMA 13B胜率超GPT-3.5,相关资源已开源。
2024-03-06 cs.AI cs.CL
SKG-LLM: Developing a Mathematical Model for Stroke Knowledge Graph Construction Using Large Language Models
University of Qom(库姆大学);Tehran University of Medical Sciences(德黑兰医科大学)
本文提出SKG-LLM,利用GPT-4和数学模型从脑卒中文献中构建知识图谱,在精确率和召回率上优于Wikidata与WN18RR,并经专家评审进一步提升。
2025-03-09 cs.AI cs.CL
Generative User-Experience Research for Developing Domain-specific Natural Language Processing Applications
Georg-August University of Göttingen(哥廷根大学);Eschbach GmbH(埃施巴赫有限公司)
本文提出将生成式UX研究融入领域NLP应用开发的方法论,通过流程工业语义搜索全周期案例验证其可兼顾数据与用户需求并增强专家信任。
2024-08-05 cs.AI cs.CL cs.HC
Developing a Scalable Benchmark for Assessing Large Language Models in Knowledge Graph Engineering
Institute for Applied Informatics(应用信息学研究所);Leipzig University(莱比锡大学)
本文提出了一个可扩展的基准测试框架LLM-KG-Bench,用于评估大型语言模型在知识图谱工程中的性能,涵盖语法修正、事实提取和数据集生成三个挑战,并提供了自动评估与可视化工具。
2023-08-31 cs.AI cs.CL cs.DB
Eliciting Problem Specifications via Large Language Models
Center for Integrated Cognition(综合认知中心);IQM Research Institute(IQM研究所)
本文设计基于 LLM 的认知任务分析智能体,将自然语言问题类别转化为问题空间规范,使现有认知系统可借助通用弱方法求解多类实例。
2024-06-10 cs.AI cs.CL
What's the Plan? Evaluating and Developing Planning-Aware Techniques for Language Models
IBM Research(IBM研究院);Bar-Ilan University(巴伊兰大学)
本文通过实验揭示大型语言模型在规划任务上的不足,提出结合经典规划方法的混合方法SimPlan,并在多个规划领域验证其显著优于现有LLM规划器。
2024-05-22 cs.CL
FootGPT : A Large Language Model Development Experiment on a Minimal Setting
Datategy SAS(Datategy SAS公司)
本文提出FootGPT实验,在小数据集、短训练和低秩适配的最小设置下微调10亿参数因果语言模型,以验证数据内容与训练策略对足球数据专用模型的重要性。
2023-08-16 cs.AI cs.CL
Adapt-and-Distill: Developing Small, Fast and Effective Pretrained Language Models for Domains
Shandong University(山东大学);Microsoft Research(微软研究院)
大型预训练模型在许多自然语言处理任务中取得了巨大的成功。然而,当它们应用于特定领域时,这些模型遭受域转移,并在延迟和容量限制的微调和在线服务方面带来挑战。在本文中,我们提出了一种为特定领域开发小型,快速和有效的预训练模型的通用方法。这是通过调整现成的一般预训练模型并在目标域中执行任务不可知的知识蒸馏来实现的。具体而言,我们提出了在适应阶段的特定领域的词汇扩展,并采用语料库级别的出现概率来自动选择增量词汇的大小。然后,我们系统地探索不同的策略来压缩特定领域的大型预训练模型。我们在生物医学和计算机科学领域进行实验。实验结果表明,我们的方法在特定领域的任务取得了更好的性能比BERT BASE模型,而3.3倍的小和5.1倍的速度比BERT BASE。代码和预训练模型可在https://aka.ms/adalm上获得。
2021-06-29 cs.CL
Developing Interactive Tourism Planning: A Dialogue Robot System Powered by a Large Language Model
SB Intuitions Corp.(SB直觉公司)
本文提出一个基于大型语言模型的对话机器人系统,将旅行社复杂任务分解为多个子任务分阶段管理,以减轻人类对话负担并高效规划旅行,在2023年对话机器人竞赛预赛中获第四名。
2023-12-22 cs.CL
A Novel Psychometrics-Based Approach to Developing Professional Competency Benchmark for Large Language Models
National Research University Higher School of Economics(国立研究型大学高等经济学院)
本研究针对现有LLM评估基准有效性与可靠性不足的问题,采用ECD方法结合心理测量学原理,由教育专家团队基于布鲁姆分类法构建教育领域新基准,经俄语GPT测试发现LLM在高认知复杂度任务中可靠性有限。
2024-10-29 cs.AI cs.CL
Towards WinoQueer: Developing a Benchmark for Anti-Queer Bias in Large Language Models
Information Sciences Institute(信息科学研究所);University of Southern California(南加州大学);Annenberg School for Communication and Journalism(安嫩伯格传播与新闻学院)
本文提出了探索性的工作是否以及在多大程度上对同性恋和跨性别者的偏见编码在大语言模型(LLM),如BERT。我们还提出了一种在下游任务中减少这些偏见的方法:根据酷儿撰写的和/或关于酷儿的数据对模型进行微调。为了测量反酷儿偏见,我们引入了一个新的基准数据集WinoQueer,该数据集以其他偏见检测基准为模型,但解决了同性恋和跨性别偏见。我们发现,BERT表现出明显的恐同偏见,但这种偏见可以通过在LGBTQ+社区成员编写的自然语言语料库上微调BERT来缓解。
2022-07-08 cs.CL cs.CY
A Study on Training and Developing Large Language Models for Behavior Tree Generation
Intelligent Game and Decision Lab (IGDL)(智能博弈与决策实验室);Tianjin Artificial Intelligence Innovation Center (TAIIC)(天津人工智能创新中心)
本文提出基于大型语言模型的行为树生成框架,通过合成数据训练BTGen模型并引入多层次验证策略,以提升复杂任务中行为树自动生成的有效性与可执行性。
2024-01-16 cs.AI cs.CL cs.RO
Context operations to architecture modelling output from large language models and evaluation criteria for their use in systems engineering design
Federal University of Santa Maria(圣玛丽亚联邦大学);Linköping University(林雪平大学)
本文提出一种基于大语言模型的上下文组装框架和评估方法,用于系统架构建模,以加速工程设计并评估模型输出对意图的符合度。
2026-09-10 cs.AI cs.SE cs.SY
Curriculum-Driven Edubot: A Framework for Developing Language Learning Chatbots Through Synthesizing Conversational Data
Columbia University(哥伦比亚大学);Zhejiang University(浙江大学);University of Science and Technology of China(中国科学技术大学)
本文提出 Curriculum-Driven EduBot 框架,从教材提取主题并用 LLM 合成对话、微调开源模型,实验表明其在课程引导和适配英语水平方面优于 ChatGPT。
2024-08-03 cs.CL
A Layered Architecture for Developing and Enhancing Capabilities in Large Language Model-based Software Systems
CSIRO’s Data61(联邦科学与工业研究组织数据61部门);ArcBlock
本文提出一种分层架构来组织基于大语言模型的软件系统开发,通过将能力与不同层次对齐,帮助开发者系统化选择合适技术,以平衡工程复杂性、可扩展性和成本,从而提升系统稳健性与可扩展性。
2024-11-19 cs.AI cs.CL cs.MA
Dynamic Multi-Byte Prediction With Hierarchical Language Models
The Ohio State University(俄亥俄州立大学);University of Florida(佛罗里达大学);University of Washington(华盛顿大学)
本文针对分层语言模型逐字节生成推理速度慢的问题,提出多字节预测方法,通过可变长度预测窗口与因果注意力掩码实现并行字节预测,在多任务中达成性能与吞吐量的最优权衡。
2026-08-25 cs.AI
Developing Safe and Responsible Large Language Model : Can We Balance Bias Reduction and Language Understanding in Large Language Models?
Vector Institute for Artificial Intelligence(人工智能矢量研究院);University of Limerick(利默里克大学);Sheridan College(谢里登学院)
本文提出SR_LLM,通过安全微调与定制数据集上的指令微调,在减少生成文本偏见的同时保持语言理解和知识完整性。
2025-01-05 cs.CL
Developing Adaptive Context Compression Techniques for Large Language Models (LLMs) in Long-Running Interactions
本文提出一种自适应上下文压缩框架,通过重要性感知内存选择、相干敏感过滤和动态预算分配,提升长对话中的稳定性与检索性能,同时减少token使用和推理延迟。
2026-03-31 cs.AI cs.CV
Extracting effective solutions hidden in large language models via generated comprehensive specialists: case studies in developing electronic devices
School of Science, Yokohama City University(横滨市立大学理学院);Institute of Science Tokyo(东京科学大学);MDX Research Center for Element Strategy(MDX元素战略研究中心);Materials Integration Laboratories, AGC Inc(AGC株式会社材料集成实验室);Graduate School of Medical Life Science, Yokohama City University(横滨市立大学医生命科学研究生院)
本文提出SELLM框架,利用MECE原则(如IPC和元素周期表)构建全面专家智能体,从LLMs中提取跨学科有效解决方案,并在OLED光提取和下一代存储电极两个案例中验证了其显著效果。
2024-12-31 cs.AI cs.CL cs.LG
Language and Experience: A Computational Model of Social Learning in Complex Tasks
MIT(麻省理工学院);Stanford University(斯坦福大学);Google DeepMind(谷歌DeepMind)
本文提出了一种计算模型,通过结合语言指导与直接经验,模拟复杂任务中的社会学习过程,并展示了人类与模型之间的知识传递机制。
2026-02-18 cs.AI cs.CL cs.LG
Developing and Utilizing a Large-Scale Cantonese Dataset for Multi-Tasking in Large Language Models
The Chinese University of Hong Kong(香港中文大学);The University of Hong Kong(香港大学)
针对粤语在NLP领域面临的数据资源匮乏问题,研究构建了超20亿tokens的高质量粤语语料库,并通过监督微调训练大模型,在四个粤语基准上达到SOTA且提升了其他语言任务表现。
2025-03-05 cs.CL
Developing PUGG for Polish: A Modern Approach to KBQA, MRC, and IR Dataset Construction
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学)
本文提出面向低资源语言的半自动化数据集构建流程,并据此发布首个波兰语 KBQA 数据集 PUGG,同时构建 MRC 与 IR 数据集并评估基线模型。
2024-08-05 cs.AI cs.CL cs.LG
Adapting Language Models to Compress Contexts
Princeton University(普林斯顿大学);Princeton Language and Intelligence(普林斯顿语言与智能研究所)
针对语言模型上下文窗口有限、长文本处理成本高的问题,提出AutoCompressors将长上下文压缩为摘要向量作为软提示,在困惑度优化、上下文学习、检索增强等任务中实现了效果提升与推理加速。
2023-11-04 cs.CL
Knowledge Graph Question Answering for Materials Science (KGQA4MAT): Developing Natural Language Interface for Metal-Organic Frameworks Knowledge Graph (MOF-KG) Using LLM
College of Computing and Informatics(计算与信息学院);Drexel University(德雷塞尔大学);University of Central Florida(中佛罗里达大学);Colorado School of Mines(科罗拉多矿业学院)
本文构建了面向金属有机框架知识图谱的KGQA4MAT基准(含161个复杂问题及644个变体),并提出利用ChatGPT将自然语言问题转换为形式化知识图谱查询的方法,以加速材料发现。
2024-06-06 cs.AI
Qwen-BIM: developing large language model for BIM-based design with domain-specific benchmark and dataset
Tsinghua University(清华大学);PetroChina Planning & Engineering Institute(中国石油规划院)
本文提出Qwen-BIM,通过领域特定基准和数据集开发了首个用于基于BIM设计的大型语言模型,显著提升了在该领域的性能表现。
2026-02-24 cs.AI
From Language Models to Practical Self-Improving Computer Agents
New York University(纽约大学)
本文提出一种让LLM智能体通过生成工具自我增强的方法,仅从终端访问开始,即可执行多种真实计算机任务并自我改进。
2024-04-18 cs.AI
Developing the PsyCogMetrics AI Lab to Evaluate Large Language Models and Advance Cognitive Science -- A Three-Cycle Action Design Science Study
本文提出构建整合的云平台,通过三阶段行动设计科学方法改进大语言模型评估方法,结合心理学和认知科学理论,提出验证的评估设计。
2026-03-13 cs.AI q-bio.NC
Developing Large Language Models for Clinical Research Using One Million Clinical Trials
Usher Institute, Edinburgh Medical School, University of Edinburgh(埃丁堡大学埃丁堡医学院usher研究所);Health Data Research UK(英国健康数据研究);School of Computing and Data Science, University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校计算与数据科学学院);Division of Intramural Research, National Library of Medicine, National Institutes of Health(国家卫生研究院国家医学图书馆内部研究部);Keiji AI
本文提出TrialPanorama,通过整合一百万项临床试验数据,训练出在八个关键临床研究任务中表现优于通用大语言模型的8B LLM。
2025-12-16 cs.AI
Masked Structural Growth for 2x Faster Language Model Pre-training
Beijing Academy of Artificial Intelligence(北京人工智能研究院);Harbin Institute of Technology(哈尔滨工业大学)
本文提出掩码结构增长(MSG)方法,通过涉及所有维度的增长调度和严格函数保持的增长算子,实现语言模型预训练最高2.2倍加速。
2024-04-06 cs.CL
SwiftEval: Developing a Language-Specific Benchmark for LLM-generated Code Evaluation
MacPaw
针对现有基准难以高质量评估Swift代码生成的问题,提出首个手工制作的Swift基准SwiftEval,评估44个模型并发现需语言特定特性的问题得分显著下降。
2025-05-30 cs.CL cs.LG cs.PL
Beyond Next Word Prediction: Developing Comprehensive Evaluation Frameworks for measuring LLM performance on real world applications
AMD(超威半导体公司);LayerLens;UCLA(加利福尼亚大学洛杉矶分校)
本文提出一种基于游戏与工具架构的通用评估框架,以超越静态数据集的方式全面衡量大语言模型在供应链、金融推理及伦理安全等现实场景中的综合能力。
2025-03-05 cs.AI cs.CL cs.LG
CytoCLIP: Learning Cytoarchitectural Characteristics in Developing Human Brain Using Contrastive Language Image Pre-Training
CytoCLIP通过对比语言图像预训练框架学习人类大脑细胞架构特征,通过低分辨率和高分辨率模型变体实现区域分类和跨模态检索,实验表明其在整体区域和高分辨率图像分类中表现优异。
2026-06-27 cs.AI cs.CV
DeSTA2: Developing Instruction-Following Speech Language Model Without Speech Instruction-Tuning Data
Graduate Institute of Communication Engineering, National Taiwan University(台湾大学通信工程研究所);NVIDIA(英伟达)
本研究提出DeSTA2方法,通过自动化生成语音-文本配对数据,在无需语音指令微调数据的情况下为语音语言模型注入副语言理解能力,同时保留大语言模型原有能力,在多个基准上取得优异性能,降低了对标注数据的依赖。
2025-01-27 cs.CL cs.SD eess.AS
Free to play: UN Trade and Development's experience with developing its own open-source Retrieval Augmented Generation Large Language Model application
UN Trade and Development(联合国贸易和发展会议)
联合国贸发会议(UNCTAD)为应对专有AI方案的高成本与复杂性,自主开发了开源RAG LLM应用,并在GitHub和PyPI上公开了四个相关代码库,为国际组织利用生成式AI提供了灵活且低成本的实践路径。
2024-06-18 cs.AI cs.CL cs.CY
Artificial Neuropsychology: Are Large Language Models Developing Executive Functions?
本研究探讨大型语言模型是否发展出类似人类的执行功能,通过河内塔任务评估GPT的规划与工作记忆,并引入防数据泄漏变体,发现其能力有限且不如训练有素的人类。
2023-10-17 cs.AI cs.NE
Developing Social Robots with Empathetic Non-Verbal Cues Using Large Language Models
Seoul National University(首尔大学)
本研究利用大型语言模型为社交机器人设计并标注四类共情非语言线索(SAFE),开发对话系统,初步验证其与人类咨询师社会线索的一致性,奠定人机交互研究基础。
2023-08-31 cs.AI cs.HC cs.RO
ChatT2: An Adaptive Framework for Developing a Large Language Model-Based Agent for Natural Product Domain Research
Center for Biological Science and Technology, Advanced Institute of Natural Sciences, Beijing Normal University(北京师范大学自然科学高等研究院生物科学与技术中心)
ChatT2提出一种基于大语言模型的多智能体框架,通过导师、执行者和评估者协作,结合思维链和检索增强生成,解决微生物天然产物研究中新手面临的复杂挑战,提供专家和新手均可用的探索工具。
2026-10-23 cs.AI
MINI-LLM: Memory-Efficient Structured Pruning for Large Language Models
University of Adelaide(阿德莱德大学);Harbin Institute of Technology(哈尔滨工业大学)
本文提出MINI-LLM,一种内存高效的结构化剪枝方法,通过仅用前向传播估计梯度并融合幅度、激活和梯度作为剪枝标准,在LLaMA、BLOOM和OPT上超越无梯度方法,且内存占用相当。
2024-07-16 cs.CL
Krutrim LLM: A Novel Tokenization Strategy for Multilingual Indic Languages with Petabyte-Scale Data Processing
本文提出面向多语言印度语系大语言模型的数据准备与分词新方法,通过定制预处理、去重及多语言分词器训练策略,在3B和7B参数模型上实现了优于OpenAI Tiktoken的词元与单词比。
2025-04-01 cs.CL
A Framework for Rapidly Developing and Deploying Protection Against Large Language Model Attacks
Cisco Systems(思科系统)
该框架借鉴恶意软件防护实践,集成威胁情报、数据与发布三大平台,实现针对大语言模型攻击的快速防护开发与部署,提供分层防御并支持持续更新。
2025-10-17 cs.AI cs.CR
MetaAID 2.5: A Secure Framework for Developing Metaverse Applications via Large Language Models
本文提出MetaAID 2.5框架,通过模拟用户与LLM交互及多维度评估,增强元宇宙环境中的网络安全防御能力。
2023-12-22 cs.CL cs.CR cs.CY
Developing and Validating the Arabic Version of the Attitudes Toward Large Language Models Scale
The Education University of Hong Kong(香港教育大学);Bournemouth University(伯恩茅斯大学);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
本文翻译并验证了阿拉伯语版大语言模型态度量表,通过249名阿拉伯语成人样本确认其可靠性和有效性,支持非西方情境研究。
2025-10-14 cs.AI cs.HC
Not All Attention is Needed: Parameter and Computation Efficient Transfer Learning for Multi-modal Large Language Models
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China(教育部多媒体可信感知与高效计算重点实验室);Institute of Artificial Intelligence, Xiamen University(厦门大学人工智能研究院)
本文提出高效注意力跳过方法,通过减少冗余注意力计算提升多模态大语言模型的推理效率与性能。
2026-02-26 cs.CL cs.MM
Selective Exploration and Information Gathering in Search and Rescue Using Hierarchical Learning Guided by Natural Language Input
School of Aerospace, Transport and Manufacturing, Cranfield University(克兰菲尔德大学航空航天、运输与制造学院)
针对搜索与救援中全面探索不可行的问题,提出结合大型语言模型与分层强化学习的系统,将人类口头输入转化为行动策略,提升智能体在长时域稀疏奖励环境下的学习效率和决策能力。
2024-09-20 cs.CL cs.RO
Developing and Validating the Spanish Version of the Large Language Models Dependency Scale (LLM-D12-SP)
研究针对说西班牙语人群对评估LLM心理依赖工具的需求,开发并验证了LLM-D12-SP量表,经分析其具有良好结构和效度,为研究LLM在组织环境中的心理使用情况提供了可靠工具。
2026-07-27 cs.CL cs.CY
Developing Linguistic Patterns to Mitigate Inherent Human Bias in Offensive Language Detection
Yildiz Technical University(耶尔德兹技术大学);Istanbul Technical University(伊斯坦布尔技术大学);University of Southern Denmark(南丹麦大学)
本文提出一种语言数据增强方法,利用机器辅助标注来减少冒犯性语言数据集中的人类偏见,从而提升多语言冒犯性语言分类的准确性与公平性。
2023-12-04 cs.AI cs.CL