본 논문은 사전 훈련된 언어 모델의 견고성과 공정성을 저해하는 개념 기반의 허위 상관관계를 해결하기 위한 새로운 경량 프레임워크인 CURE를 제시합니다. CURE는 역전 네트워크에 의해 강화된 콘텐츠 추출기를 통해 개념과 무관한 표현을 추출하여 작업 관련 정보의 손실을 최소화합니다. 이후 제어 가능한 편향 제거 모듈은 대조 학습을 사용하여 잔여 개념적 단서의 영향을 미세 조정하여 모델이 유해한 편향을 줄이거나 목표 작업에 적합한 유익한 상관관계를 활용할 수 있도록 합니다. IMDB 및 Yelp 데이터셋에서 세 가지 사전 훈련된 아키텍처를 사용하여 평가한 결과, CURE는 IMDB에서 F1 점수가 +10점, Yelp에서 +2점 향상되는 절대적인 성능 향상을 달성하면서 계산 오버헤드는 최소화했습니다. 본 연구는 개념적 편향을 해결하기 위한 유연하고 비지도 학습 기반의 청사진을 제시하여 더욱 신뢰할 수 있고 공정한 언어 이해 시스템을 위한 길을 열었습니다.
