Kertas penyelidikan

Memahami dasar keselamatan pelabel melalui kebolehtafsiran

Tajuk asal:Understanding Annotator Safety Policy with Interpretability

Ringkasan AI

Percanggahan pelabel boleh berpunca daripada kegagalan operasi, dasar kabur atau kepelbagaian nilai. Annotator Policy Models (APM) ialah model boleh tafsir yang hanya mempelajari dasar keselamatan dalaman pelabel daripada tingkah laku pelabelan, tanpa beban tambahan. Pengesahan menunjukkan ketepatan model melebihi 80%, mampu meramal suntingan kontrafaktual secara setia dan memulihkan perbezaan yang diketahui. Dengan menggunakan APM pada LLM dan pelabel manusia, perbezaan tafsiran arahan keselamatan antara pelabel (dasar kabur) dan perbezaan sistematik keutamaan keselamatan antara kumpulan demografi (kepelbagaian nilai) dapat didedahkan, menyokong reka bentuk dasar keselamatan yang lebih tersasar, telus dan inklusif.

Maklumat penting

  • Percanggahan pelabel boleh berpunca daripada kegagalan operasi,dasar kabur atau kepelbagaian nilai.
  • Annotator Policy Models (APM) ialah model boleh tafsir yang hanya mempelajari dasar keselamatan…
  • Pengesahan menunjukkan ketepatan model melebihi 80%,mampu meramal suntingan kontrafaktual secara…
  • Dengan menggunakan APM pada LLM dan pelabel manusia,perbezaan tafsiran arahan keselamatan antara…

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
Apple Machine Learning Research(RSS)
Kategori
Kertas penyelidikan
Skor AI
56
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

我觉得 APMs 把标注分歧的根源从「猜」变成了「看」,对安全团队澄清政策模糊和价值观差异挺有实操价值,代码也给了,做对齐的可以上手试。

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: Memahami dasar keselamatan pelabel melalui kebolehtafsiran. 6 Julai 2026. https://new.nat6.net/ms/news/cmr9jb1wn007eihe8jhd6zhrj/

Lihat Semua →