Dans l'actualité
Pruning for Efficiency, Paying in Fairness: Demographic Disparities in Pruned Speech-LLMs
arXiv cs.AI · Publié le · 3 min de lecture
En 30 secondes
- Ce qui s'est passé
- Pruning speech-LLMs for efficiency disproportionately harms recognition accuracy for certain demographic groups, widening performance gaps.
- Pourquoi ça compte
- Engineers deploying compressed speech models should care, especially when serving diverse user populations across different accents and languages.
- Vigilance
- Les métriques agrégées de taux d'erreur masquent les problèmes d'équité. Les disparités varient selon les datasets, nécessitant une mesure directe par groupe avant le déploiement.
- llm
- encoder
- voice
- speech
- phi
Les patterns derrière cette actualité
Chacun explique le fonctionnement de la technique, quand elle vaut son coût et où elle casse.
The Agent Architect
Un pattern, un compromis, une panne de production racontée. Un brief hebdomadaire court pour ceux qui construisent des systèmes agentiques.
Un email par semaine, désinscription en un clic. Votre adresse ne sert qu'à envoyer le brief.