Fairness in Large Language Models: A Taxonomic Survey

大型语言模型（LLMs）在各个领域都取得了显著的成功。然而，尽管它们在许多实际应用中表现出了很好的性能，但它们大多数缺乏公平性考虑。因此，它们可能会导致对某些社区，特别是边缘化人群的歧视性结果，促使对公平LLMs进行广泛研究。另一方面，与传统机器学习中的公平性不同，LLMs中的公平性涉及独特的背景、分类法和实现技术。为此，本调查综述了现有文献中关于公平LLMs的最新进展的全面概述。具体而言，提供了LLMs的简要介绍，接着分析了导致LLMs偏见的因素。此外，分类讨论了LLMs中的公平性概念，总结了评估LLMs偏见的指标和促进公平性的现有算法。此外，还总结了评估LLMs偏见的资源，包括工具包和数据集。最后，讨论了现有的研究挑战和开放性问题。

公平性在大型语言模型中的问题和挑战

本篇论文对大型语言模型中的公平性问题进行了综述，提出了评估和促进公平性的度量和算法，并总结了相关的工具和数据集。

本文介绍了大型语言模型的基本概念，并分析了导致偏见的因素。论文提出了公平性的度量和算法，包括分类和回归任务中的公平性。此外，本文还总结了用于评估偏见的工具和数据集，并讨论了现有研究中存在的挑战和未来的研究方向。

最近的相关研究包括：1.《公平机器学习：现状与未来方向》；2.《公平性在机器学习中的应用》；3.《大型语言模型中的公平性问题和挑战》