公平流：通过未决学习减轻数据集偏差

本研究解决了语言模型在新数据上表现下降的问题，通常源于数据集中的偏差。提出的“公平流”框架通过对数据样本或表示的未决预测学习，结合数据和模型扰动操作及对比目标，显著提高了模型在面对偏差样本时的表现，尤其在跨领域和困难测试样本中优于现有去偏差方法，且不影响领域内性能。