本文研究了大型语言模型中的位置偏见问题，提出通过调整位置隐状态和使用零样本去偏置框架来减轻偏见。实验结果表明，这些方法有效提升了模型在长上下文和抽取式问答任务中的表现，改善了模型对位置的理解和利用。

本文介绍了BiasBuster框架，旨在发现和减轻大型语言模型中的认知偏见。研究开发了包含16,800个提示的数据集，测试了多种减偏策略，并提出自助去偏置方法。分析显示，GPT-4对偏见韧性强，而其他模型受影响较大。文章还探讨了大型语言模型在医疗领域的应用及其潜力，强调了偏见识别和缓解的重要性。

本文介绍了SAR-Net场景感知排名网络，通过学习用户跨场景兴趣来提升个性化推荐效果。该网络结合注意力模块和去偏置专家网络，自适应提取场景特征，增强数据公平性。实验结果表明，其在用户和旅行产品推荐中表现优异。