挽救失足AI，不能光靠打骂 | 清华复旦新研究

Alex 衡宇 发自 凹非寺

量子位 | 公众号 QbitAI

好多研究都发现，AI这家伙好不害臊，竟也学会性别歧视了。

这可咋整？

最近，清华&复旦的一项研究为此给出建议：

要想把失足AI从性别歧视这条路上拽回来，一顿臭骂效果可不好。

最好的办法是了解孩子为啥这样，然后对症下药给他讲道理。

因为要是光教训不讲道理，暴力纠正，AI会被吓笨（性能下降）！

哦买噶，养四脚吞金兽难，养（xun）个（lian）赛博孩子也得这么难了？

来看看这群AI“奶爸奶妈”，提出了哪些训孩子的建议吧。

在这次以前，不是没有人揪着失足AI的耳朵，想让它改掉重男轻女的坏毛病。

但是，目前的大多数去偏方法，都会让模型在其他任务上的性能下降。

比如你让AI减弱了性别歧视，就会产生这样的恼人结果：

它要么分不清“爸爸”的性别是男还是女，要么会犯语法上的错误，忘记给第三人称后面跟着的动词+s。

更可气的是，这种退化机制还没被研究明白。

大家要不然直接弃用性别偏见明显的模型——

2018年，亚马逊注意到用来自动筛选简历的模型存在对女性求职者的歧视，就把这个系统雪藏了。

要不，就只能忍受性能下降。

难道说想让AI不再是失足AI、问题AI，AI就一定会失了智吗？

清华&复旦的研究对此说No。

他们研究的领域是预训练语言模型。

这是因为它在各种NLP任务里显示神通，有很多实践场景。

当有性别偏见的它被用在在线广告、自动简历筛选系统、教育等社会工作中时，可不太妙。

研究提出了AI性别偏见起源的理论框架，因果框架，用来解释在预训练过程中，数据不平衡是怎么导致模型的性别偏见的。

他们把预训练模型在执行特定预测任务时的性别偏见进行如下定义：

其中，M是模型，Y是要用M预测的单词，B是M的性别偏见程度。

Y₀|W是ground truth，作为男性相关单词或女性相关单词的概率为二分之一，Y|W是M的预测。

如果M的预测Y不平衡且分布在性别之间，则模型M在根据w预测Y₀时存在性别偏见。

在预训练过程中，优化算法会根据预训练数据D确定嵌入部分和K中的参数。

因此，数据不平衡D误导模型得到了不正确的参数。

比如，训练数据中的“医生”一词更常与男性词汇相关，模型就会想当然地将“医生”和“性别男性”联系起来。

看到这个三角形没，咱用它来解释一下，为啥现在的方法纠正AI会让它变笨。

当应用预训练模型，根据W预测Y时，模型首先将W转换为提取的X，然后根据X和K来确定Y的均值。

由于潜入部分的参数具有误导性，W被转换为不正确的X，而K也是不正确的。

一顿操作下来，错误的X和错误的K，一起导致Y出错。

这些错误及其相互作用，通过三个潜在机制导致性别偏见。

也就是说到了这一步，性别偏见就产生了。

而目前教育AI的去偏方法是怎么运作的呢？

目前所有的去偏方法都干预了三种机制中的一种或两种。

具体如下：

• 增强对D的数据干预，并在所有三种机制中进行干预。

• 通过消除X在K中的性别空间上的几何投影，切断了D→X→K→Y的路径。

• 性别平等正则化方法要么扭曲了D与X的关系，要么扭曲了D与K的关系，因此这类方法干预了D→X→Y和D→X→K→Y的机制。

在解释了当前去偏方法中存在的偏见-性能困境后，团队尝试提出一种微调方法。

他们发现，三种机制中，有且仅有D→X→Y这种在导致性别偏见时，与transformer无关。

如果微调方法仅仅通过D→X→Y纠正偏差，就可以在减少性别偏见的同时，保持模型的性能。

根据分解定理，团队进行了数值实验。

结果证明，这种方法能够带来双重红利：

减少部分性别偏见，同时避免性能下降。

经过实验，团队成员把AI性别偏见的来源定位于预训练模型的两个架构：词嵌入和转换。

据此，研究团队提出C4D方法，即通过调整标记嵌入来减少性别偏见。

这个方法的核心思想是通过修正被误导的X，来缩小TDE函数，从而减少总偏差。

虽然团队也不知道正确的标记嵌入到底该是啥，但是他们开发了一种基于梯度的方法，来推断潜在的ground truth。

一切就绪，团队将C4D方法应用于GPT-2试验去偏结果。

结果表明，在所有测试方法中，C4D方法在小、中、超大型GPT-2上的困惑度都是最低。

在大型GPT-2中，C4D的困惑度排第二，只比最高分差了0.4%。

而且，得分最高的方法，对性别歧视的去偏效果低于C4D。

在GLUE数据集上，C4D方法获得了最高平均分。

这表明，C4D可以明显地减少性别偏见，并保持模型性能。

听了这么多理论方面的介绍，来看个图例直观感受一下。

下面三张图中，蓝色的点代表潜入的男性偏见，红点代表女性偏见。

图(a)是AI本来的理解；图(b)是人类无目的一通谩骂后，吓笨了的AI的理解；图(c)是人类找到原因，耐心讲解过后AI的理解。

在图(b)和(c)中，男性偏见和女性偏见的嵌入更加集中，这意味着偏见的水平较低。

同时可以注意到，图(c)中的嵌入仍然保持了图(a)中的拓扑结构，这也是C4D方法能够保持模型性能的原因。

“尽管这个方法可以有效缓解语言模型中AI对性别的偏见，但仍不足以完全消除。”

——研究者人员如实指出这个问题。

若想在不降低AI性能的条件下，进一步纠正AI的偏见，还需要更好地理解语言模型的机制。

那怎样才能更好地理解？

一方面，是用本研究提出的“C4D方法”再去测试一下AI身上的其他偏见。

本实验的主要研究对象是：职场上的性别偏见。

而实际上，由于AI之前不断学习各种信息，属于来者不拒的那种，结果一不小心，还染上了宗教歧视、嫌黑爱白等社会固有的毛病……

所以，不妨去GPT-2上再测测去除其他偏见的最终效果。

另一方面，可以把“C4D方法”放到多种大模型上试试。

除了本研究用到的GPT-2，例如谷歌开发的NLP经典预训练模型BERT，也是一个不错的测试场景。

不过要移植到其他模型的话，需要重新生成校正模板，并且可能要用到多变量TDE（Template Driven Extraction）函数。

通过运用TDE函数，你可以直接将内容放入索引，而不需要修改文档结构。

有网友抱着狗头来了：

总体来说，走进社会变成“失足AI”不可避免。

但想要“失足AI”浪子回头，找对方法，给它讲道理，还是会有不错效果滴～

另外，研究团队成员之一，清华大学的于洋在个人微博上表示，过两天还有个关于AI模型性别歧视查询的网站会上线。

可以期待一下！

论文地址：https://arxiv.org/abs/2211.07350参考链接：https://weibo.com/1645372340/Mi4E43PUY#comment