제로샷 분류 기반 성별 편향이 완화된 성별 예측 방법

Abstract

자연어 처리 기술은 인간 언어 이해와 처리 분야에서 혁신적인 발전을 이루었으나, 학습 데이터에 내재된 성별 편향이라는 주요한 문제를 안고 있다. 이 편향은 모델의 예측 정확도와 신뢰성에 부정적인 영향을 미치며, 이는 특히 성별 예측에서 더욱 두드러진다. 제로샷 분류 기법은 기존에 학습되지 않은 새로운 클래스를 효과적으로 예측할 수 있는 기술이다. 이 기법은 학습 데이터에 대한 의존도를 낮추며, 다양한 언어 환경과 제한된 데이터 상황에서도 효율적으로 작동한다. 이를 통해 성별 예측의 정밀도와 포괄성이 향상될 수 있다. 본 논문은 제로샷 분류 기법을 활용한 성별 예측 모델을 제안한다. 이를 위해, 성별 클래스를 확장하고 데이터 구조를 개선하여 성별 편향을 최소화한 새로운 데이터 세트를 구축하였다. 이 데이터는 다양한 언어로 구성된 대규모 자연어 데이터에 기반한 제로샷 분류 모델에 추가로 학습되어, 성별 예측에 있어 더욱 최적화된 모델을 구축하였다. 본 연구는 제로샷 분류를 활용한 성별 예측 모델의 성능을 평가하고, 다양한 언어와 소량의 데이터에서도 모델이 얼마나 유연하게 작동하는지 입증함으로써, 모델의 범용성을 검증한다.;Natural language processing technology has achieved revolutionary progress in understanding and processing human language. However, it faces a significant challenge in the form of gender bias inherent in training data. This bias adversely affects the accuracy and reliability of model predictions, particularly in gender prediction. Zero-shot classification is a technique capable of effectively predicting new classes that have not been previously learned. This method reduces dependency on training data and operates efficiently in various linguistic environments and with limited data. This can enhance the precision and inclusiveness of gender predictions. This paper proposes a gender prediction model using the zero-shot classification technique. For this, we have developed a new data set that minimizes gender bias by expanding gender classes and improving data structures. This data is further trained on a zero-shot classification model pre-trained with largescale natural language data in various languages, thereby creating a more optimized model for gender prediction. This study evaluates the performance of the gender prediction model using zero-shot classification, demonstrating its flexibility in working with multiple languages and small data sets, thereby validating the model's versatility.