Debias-SparseGPT：面向大语言模型的偏见感知剪枝方法

论文提出 Debias-SparseGPT，一种后训练剪枝方法，利用人口统计对比输入上的二阶项进行表征去偏。在 25%、50% 和 2:4 结构化稀疏度下，该方法相比 SparseGPT 持续降低剪枝引入的偏见，同时保持模型困惑度和零样本准确率；在限制最严格的 2:4 结构化稀疏模式下，用长上下文、内容丰富的示例扩充校准集可进一步提升下游性能和公平性。