|
Are we consistently biased? Multidimensional analysis of biases in distributional word vectors
Lauscher, Anne
;
Glavaš, Goran
|
DOI:
|
https://doi.org/10.18653/v1/S19-1010
|
|
URL:
|
https://www.aclweb.org/anthology/S19-1010/
|
|
Weitere URL:
|
https://www.aclweb.org/anthology/volumes/S19-1/
|
|
Dokumenttyp:
|
Konferenzveröffentlichung
|
|
Erscheinungsjahr:
|
2019
|
|
Buchtitel:
|
Lexical and Computational Semantics (*SEM) - proceedings of the eighth conference : June 6-7, 2019, Minneapolis : NAACL HLT 2019
|
|
Seitenbereich:
|
85-91
|
|
Veranstaltungstitel:
|
Eighth Joint Conference on Lexical and Computational Semantics (*SEM 2019)
|
|
Veranstaltungsort:
|
Minneapolis, MN
|
|
Veranstaltungsdatum:
|
June 6-7, 2019
|
|
Herausgeber:
|
Mihalcea, Rada F.
|
|
Ort der Veröffentlichung:
|
Stroudsburg, PA
|
|
Verlag:
|
Association for Computational Linguistics
|
|
ISBN:
|
978-1-948087-93-3
|
|
Sprache der Veröffentlichung:
|
Englisch
|
|
Einrichtung:
|
Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Text Analytics for Interdisciplinary Research (Juniorprofessur) (Glavaš 2017-2021)
Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Information Systems III: Enterprise Data Analysis (Ponzetto 2016-)
|
|
Fachgebiet:
|
004 Informatik
|
|
Freie Schlagwörter (Englisch):
|
Natural Language Processing ; Word Embeddings ; Word Embeddings Bias
|
|
Abstract:
|
Word embeddings have recently been shown to reflect many of the pronounced societal biases (e.g., gender bias or racial bias). Existing studies are, however, limited in scope and do not investigate the consistency of biases across relevant dimensions like embedding models, types of texts, and different languages. In this work, we present a systematic study of biases encoded in distributional word vector spaces: we analyze how consistent the bias effects are across languages, corpora, and embedding models. Furthermore, we analyze the cross-lingual biases encoded in bilingual embedding spaces, indicative of the effects of bias transfer encompassed in cross-lingual transfer of NLP models. Our study yields some unexpected findings, e.g., that biases can be emphasized or downplayed by different embedding models or that user-generated content may be less biased than encyclopedic text. We hope our work catalyzes bias research in NLP and informs the development of bias reduction techniques.
|
 | Dieser Eintrag ist Teil der Universitätsbibliographie. |
 Suche Autoren in
Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail
Actions (login required)
 |
Eintrag anzeigen |
|
|
