Leichtgewichtige Fairness für LLM-empfehlungen: Kernel-Projektion & Gated Adapter

Large Language Models (LLMs) haben Recommender‑Systeme revolutioniert, indem sie dynamische, kontextabhängige und konversationelle Empfehlungen ermöglichen. Gleichzeitig übernehmen sie die in ihren Trainingsdaten verankerten sozialen Vorurteile und können diese sogar verstärken, wenn demografische Hinweise vorhanden sind.

Um diesem Problem zu begegnen, präsentiert die neue Studie einen schlanken und skalierbaren Bias‑Minderungsansatz. Durch die Kombination einer kernelisierten Iterative Null‑Space Projection (INLP) mit einem gated Mixture‑of‑Experts (MoE) Adapter wird eine geschlossene Projektion berechnet, die sensible Attribute aus den LLM‑Repräsentationen entfernt – und das ohne zusätzliche trainierbare Parameter.

Der zweistufige MoE‑Adapter stellt sicher, dass nützliche Signale wiederhergestellt werden, ohne die Fairness zu gefährden. Experimente an zwei öffentlichen Datensätzen zeigen, dass die Methode die Leckage von geschützten Merkmalen deutlich reduziert, während die Empfehlungsgenauigkeit auf einem konkurrenzfähigen Niveau bleibt.