Mitigating sentimental bias via a polar attention mechanism

Fairness im maschinellen Lernen hat in den letzten Jahren zunehmende Aufmerksamkeit erlangt. Diese Studie konzentriert sich auf eine bestimmte Art von Fairness im maschinellen Lernen, nämlich sentimentale Voreingenommenheit in der Textsentimentalanalyse. Sentimentale Voreingenommenheit tritt bei Wörtern (oder Phrasen) auf, wenn sie deutlich in positiven und negativen Korpora verteilt sind. Sie führt dazu, dass ein übermäßiger Anteil von Wörtern in erlernten Modellen negative / positive Gefühle aufweist. In dieser Studie wurde ein neuer Aufmerksamkeitsmechanismus, die so genannte polare Aufmerksamkeit, vorgeschlagen, um sentimentale Voreingenommenheiten abzumildern. Er besteht aus zwei Modulen, nämlich polarem Flipping und Distanzmessung. Das erste Modul modelliert explizit das Wort sentimentale Polarität und kann verhindern, dass neutrale Wörter positiv oder negativ kippen. Das zweite Modul wird verwendet, um negative / positive Wörter zu betreuen. In den Experimenten werden drei Benchmark-Datensätze verwendet und ergänzende Testsätze zusammengestellt. Experimentierergebnisse bestätigen die Wirksamkeit der vorgeschlagenen Methode.