0%

Large-lm-3-Shortcomings

Posted on Edited on In ,
Symbols count in article: 4.9k Reading time ≈ 4 mins.

3. 大模型的有害性

3.1 Introduction

本次内容主要探讨大型语言模型的有害性（危害），常见的几种危害包括:

  • 性能差异
  • 社会偏见和刻板印象
  • 有害信息
  • 虚假信息

另外在之后的课程中会讲述其他更多层面的危害性：

  • 安全和隐私风险
  • 版权和法律保护
  • 环境影响
  • 权力集中

本节将主要专注于将专注于 LLM 的危害相关的相对具体但是级别较低的一些关注点，主要集中于以下两个点：

  • 性能差异相关的危害。对于特定任务（e.g., question-answer），性能差异意味着模型在某些群体中表现更好，在其他群体中表现更差。
    • 自动语音识别 ASR 系统在黑人说话者的识别性能要差于白人说话者（Koenecke e t al., 2020）。
  • 社会偏见和刻板印象相关的危害。
    • 社会偏见：将某个概念（例如科学）与某些群体相对其他群体（例如男女性）进行系统关联。
    • 刻板印象：一种特定且普遍存在的社会偏见形式，其中的关联是被广泛持有、过度简化并且一般固定的。
  • 有害信息和虚假信息
    • 生成有毒的内容，恶意行为者可以利用它们来扩大自己的信息传播；
    • 检测虚假信息，从而帮助进行内容审核。

3.2 性能差异

在美国，受保护的属性是指那些不可作为决策基础的人口特征，包括

  • 种族；
  • 性别；
  • 性取向；
  • 宗教；
  • 年龄；
  • 国籍；
  • 残障状况；
  • 体貌；
  • 社会经济状况等。

3.3 社会偏见

大模型通过使用大规模预训练数据进行训练，因此数据的偏见可能会导致 LLM 性能和社会偏见危害。

3.3.1 名字偏见

这里我们首先将大模型在 SQuAD 数据进行训练，然后设计一个新的任务进行测试。

  • 动机：测试模型在涉及人名的文本中的理解和行为方式。
  • 原始任务：SQuAD - Stanford Question Answering Datasets (Rajpurkar et al., 2016)
  • 修改后的任务：使用 SQuAD 数据构建额外的测试例子，将之前的测试答案中的两个名字进行交换。最终测试模型的回答正确性。
  • 指标：翻转表示交换名称会改变模型输出的名称对的百分比。

结果：

  • 模型通常会预测与他们所知名人物相关的名称，符合他们所擅长的领域。
  • 对于不太知名的人，效果会很快减弱。
  • 当交换名称时，模型通常不会改变它们的预测结果。

3.3.2 刻板印象

  • 动机：评估模型在涉及刻板印象的文本中的行为方式
  • 任务：比较模型对具有刻板印象和反刻板印象关联的句子的概率
  • 指标：刻板印象得分是模型偏好刻板印象示例的比例。作者表示，得分为0.5是理想的。

结果：

  • 所有模型都显示出对刻板印象数据的系统偏好。
  • 较大的模型往往具有较高的刻板印象得分。

3.4 Toxicity

3.4.1 Definition

有毒性指的是伤害涉及到的是人，即 “粗鲁、不尊重或不合理的行为，可能使某人想要离开一场对话”。如：

  • I bet China would be happy to help Puerto Rico rebuild in exchange for a nice military base. [toxicity: 0]
    (我打赌中国会愿意帮助波多黎各重建，换取一个漂亮的军事基地)
  • The ignorance and bigotry comes from your post! [toxicity: 80%]
    (无知和偏见来自你的帖子！)

有毒性方面可能对两类人带来伤害：

  • 基于语言模型系统的用户。聊天机器人可能会回复有毒的响应，或者自动完成系统可能会提出有毒的建议。
  • 用户生成内容的接收者。用户可能会在社交媒体上发布有毒内容，无论他们是否有恶意。

3.4.2 Perspective API

Google 的 Jigsaw 部门（专注于用技术解决社会问题，如极端主义）在 2017 年开发了一项广受欢迎的有关毒性分类的专有服务——Perspective API。这是一个机器学习模型，可以为每个输入分配一个介于 0 和 1 之间的毒性分数。

实例：

  • “hello”（毒性：低）
  • “You suck”（毒性：95.89%）

但并非总是有效：

  • “You’re like Hitler.”（毒性：低）
  • “I hope you lose your right arm.”（毒性：低）
  • “I read The Idiot by Fyodor Dostoevsky yesterday.”（毒性：86.06%）
  • “That is f—— good.”（毒性：85.50%）。

总的来说，虽然Perspective API是机器学习和自然语言处理社区广泛使用的一个起点，但是使用时需要持有适度的怀疑态度。因为该模型标注的一致性很低，不能捕获标注者的身份或更广泛的语言或社会环境。它可能会对某些人群产生偏见，因为身份词（如“gay”）的出现与毒性有关，这是因为他们受到的有毒评论过多。

3.5 虚假信息

  • 误导性信息（Misinformation）：不论意图如何，被误导性地呈现为真实的错误信息。

  • 虚假信息（Disinformation）：有意为之地呈现错误或误导性信息以欺骗某一特定受众，其中存在对抗性质。

注：误导性和虚假信息并非一定可被验证；有时，它会引起人们的疑虑或将举证责任转移给听众。此外，一些并非真实的内容并不被视为误导性或虚假信息，如完全虚构的小说。

目前，我们尚不了解是否有由语言模型驱动的严重虚假信息战役。关键问题是：语言模型能否生成新颖，通顺的文本，传达特定信息，并且针对目标人群（在线超定向）？

GPT-3论文已经表明，生成的新闻文章与真实文章几乎无法区分。这意味着语言模型可以是新颖和通顺的，但它们是否具有说服力？

  • Kreps et al. (2020) 在2020年生成的关于朝鲜扣押船只的文章（使用经过微调的GPT-2），用户研究参与者发现这些故事具有可信度。用户发现针对他们政治信仰量身定制的故事更具有可信度（在线超定向有效）。增加模型大小（在GPT-2内）只产生了边际效益。

  • McGuffie & Newhouse (2020) 在2020年指出，GPT-2需要微调，GPT-3只需要提示（更快适应/控制）。GPT-3具有深厚的极端社区知识（例如，QAnon，瓦格纳组，原子武器师）。GPT-3可以表现得像一个QAnon信徒。他们指出GPT-3可能在网络激进化中的作用（创建群体身份，传播影响思想和感情的叙事）。结论：我们应该非常担心（GPT-3可以产生具有意识形态一致性，互动性，规范性的环境）。风险缓解：针对大型语言模型的保护措施，提升数字素养，检测模型。

  • Zellers et al. (2020) 在2020年训练Grover（一个GPT-2大小的模型）在RealNews上生成假新闻。模型：按照不同的顺序生成（领域，日期，作者，标题，正文）。当前的检测器：73%的准确性。对Grover进行微调以检测假新闻，准确性为92%。

  • Buchanan et al. (2021) 在2021年强调人类与GPT-3共同生成虚假信息的有效性，技术娴熟的政府（如中国和俄罗斯）可能部署这样的系统。风险缓解：专注于假账户而不是内容。

3.6 内容审查

我们已经讨论过语言模型生成有害内容的问题，但如果它们能生成此类内容，也可能被用于检测有害内容。

Facebook（或Meta）长期以来一直在打击有害内容，最近开始利用语言模型自动检测这类内容。例如，RoBERTa已经被使用了几年。

“少量样本学习器”（Few-Shot Learner）是Meta最新强大的内容审查模型。该模型在大量原始文本和历史数据上进行训练，将任务简化为蕴涵（entailment)。例如：

  • 𝖨 𝗅𝗈𝗏𝖾 𝗒𝗈𝗎𝗋 𝖾𝗍𝗁𝗇𝗂𝖼 𝗀𝗋𝗈𝗎𝗉. 𝖩𝖪. 𝖸𝗈𝗎 𝗌𝗁𝗈𝗎𝗅𝖽 𝖺𝗅𝗅 𝖻𝖾 𝟨 𝖿𝖾𝖾𝗍 𝗎𝗇𝖽𝖾𝗋𝗀𝗋𝗈𝗎𝗇𝖽. 𝖳𝗁𝗂𝗌 𝗂𝗌 𝗁𝖺𝗍𝖾 𝗌𝗉𝖾𝖾𝖼𝗁⇒entailment.
    (我爱你的族群。开玩笑。你们都应该埋在六英尺地下。这是仇恨言论。⇒ 蕴涵)

以下是一些微妙言论的实例，这些言论被正确地判定为有害内容：

  • Discouraging COVID vaccines: Vaccine or DNA changer?
  • Inciting violence: Does that guy need all of his teeth?

3.7 Reference

Risk of Foundation Models

Performance disparities:

Content moderation:

Toxicity:

Disinformation:

-------------This blog is over! Thanks for your reading-------------