論文の概要: LIVS: A Pluralistic Alignment Dataset for Inclusive Public Spaces

• arxiv url: http://arxiv.org/abs/2503.01894v1
• Date: Thu, 27 Feb 2025 19:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:21:33.391423
• Title: LIVS: A Pluralistic Alignment Dataset for Inclusive Public Spaces
• Title（参考訳）: LIVS: 包括的公共空間のための複数のアライメントデータセット
• Authors: Rashid Mushkani, Shravan Nayak, Hugo Berard, Allison Cohen, Shin Koseki, Hadrien Bertrand,
• Abstract要約: Local Intersectional Visual Spaces (LIVS) は、包括的都市計画におけるテキスト・ツー・イメージ(T2I)モデルのアライメントのためのベンチマークである。 30のコミュニティ組織による2年間の参加プロセスを通じて開発されたLIVSは、634の初期の概念にまたがる多様な空間的嗜好をエンコードする。
• 参考スコア（独自算出の注目度）: 3.203159763233367
• License:
• Abstract: We introduce the Local Intersectional Visual Spaces (LIVS) dataset, a benchmark for multi-criteria alignment of text-to-image (T2I) models in inclusive urban planning. Developed through a two-year participatory process with 30 community organizations, LIVS encodes diverse spatial preferences across 634 initial concepts, consolidated into six core criteria: Accessibility, Safety, Comfort, Invitingness, Inclusivity, and Diversity, through 37,710 pairwise comparisons. Using Direct Preference Optimization (DPO) to fine-tune Stable Diffusion XL, we observed a measurable increase in alignment with community preferences, though a significant proportion of neutral ratings highlights the complexity of modeling intersectional needs. Additionally, as annotation volume increases, accuracy shifts further toward the DPO-tuned model, suggesting that larger-scale preference data enhances fine-tuning effectiveness. LIVS underscores the necessity of integrating context-specific, stakeholder-driven criteria into generative modeling and provides a resource for evaluating AI alignment methodologies across diverse socio-spatial contexts.
• Abstract（参考訳）: 都市計画におけるテキスト・ツー・イメージ(T2I)モデルのマルチ基準アライメントのためのベンチマークである,ローカル・インターセクション・ビジュアル・スペース(LIVS)データセットを紹介する。 30のコミュニティ組織による2年間の参加プロセスを通じて開発されたLIVSは、アクセシビリティ、安全性、快適性、招待性、インクルーシティ、多様性の6つのコア基準に、それぞれ37,710のペア比較によって統合された、634の初期概念にわたる多様な空間的嗜好をエンコードしている。 直接選好最適化(DPO)を用いて、安定拡散XLを微調整し、コミュニティの嗜好に沿った測定可能な増加が見られたが、中性評価のかなりの割合は、交差点ニーズのモデル化の複雑さを強調している。 さらに,アノテーション量の増加に伴い,DPO調整モデルへと精度がシフトし,より大規模な嗜好データが微調整の有効性を高めることが示唆された。 LIVSは、コンテキスト固有の利害関係者主導の基準を生成モデリングに統合する必要性を強調し、多様な社会的空間的コンテキストにわたるAIアライメント方法論を評価するためのリソースを提供する。

関連論文リスト

• No Preference Left Behind: Group Distributional Preference Optimization [46.98320272443297]
  Group Distribution Preference Optimization (GDPO) は、言語モデルをグループ内の好みの分布と整合させる新しいフレームワークである。 GDPOは、グループの信念分布の統計的推定を用いて言語モデルを校正する。 GDPOはトレーニング中にこのアライメントギャップを一貫して削減します。
  論文  参考訳（メタデータ） (2024-12-28T23:30:47Z)
• Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
  大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。 個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。 数発のステアライメントのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:14:59Z)
• Preference Alignment Improves Language Model-Based TTS [76.70693823683091]
  選好アライメントアルゴリズムは、報酬モデルの嗜好に合わせてLMを調整し、生成されたコンテンツの望ましさを高める。 1.15B のパラメータ LM に基づく TTS モデルを用いて、嗜好の整合性は常に知性、話者類似性、代用主観的評価スコアを向上することを示した。
  論文  参考訳（メタデータ） (2024-09-19T01:58:19Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• ABC Align: Large Language Model Alignment for Safety & Accuracy [0.0]
  大規模言語モデル(LLM)のための新しいアライメント手法ABC Alignを提案する。 合成データ生成、選好最適化、ポストトレーニングモデル量子化における最近のブレークスルーの上に構築された一連のデータとメソッドを組み合わせる。 我々の統一的なアプローチは、標準ベンチマークに対して測定されたように、バイアスを軽減し、推論能力を保ちながら精度を向上させる。
  論文  参考訳（メタデータ） (2024-08-01T06:06:25Z)
• Personalized Collaborative Fine-Tuning for On-Device Large Language Models [33.68104398807581]
  ローカルデータ利用率に制限のある大規模言語モデルのデバイス上での自己教師型協調微調整について検討する。 本稿では,信頼度重み付き勾配集約方式として,重み類似度ベース,予測類似度ベース,検証性能ベースという3つの方法を紹介する。 予測および性能指標によって駆動される当社のプロトコルは、FedAvgと局所的な微調整手法の両方を超越している。
  論文  参考訳（メタデータ） (2024-04-15T12:54:31Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Controllable Preference Optimization: Toward Controllable Multi-Objective Alignment [103.12563033438715]
  人工知能におけるアライメントは、モデル応答と人間の好みと値の一貫性を追求する。 既存のアライメント技術は、主に一方向であり、様々な目的に対して、最適以下のトレードオフと柔軟性の低下につながる。 制御可能な選好最適化(CPO)を導入し、異なる目的に対する選好スコアを明確に指定する。
  論文  参考訳（メタデータ） (2024-02-29T12:12:30Z)
• Linear Alignment: A Closed-form Solution for Aligning Human Preferences without Tuning and Feedback [70.32795295142648]
  リニアアライメントは、言語モデルと人間の好みを1つの推論ステップで整列する新しいアルゴリズムである。 一般的な選好データセットとパーソナライズされた選好データセットの実験により、線形アライメントはLLMアライメントの性能と効率を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-01-21T10:46:23Z)
• Privacy-Preserving and Lossless Distributed Estimation of High-Dimensional Generalized Additive Mixed Models [0.9023847175654603]
  CWBを用いたGAMM(Generalized Additive Mixed Model)の分散・プライバシ保存・ロスレス推定アルゴリズムを提案する。 我々のCWBの適応は、偏りのない特徴選択や高次元特徴空間におけるモデル適合性など、元のアルゴリズムのすべての重要な特性を保っている。 また, 分散心疾患データセット上でのアルゴリズムの有効性を実証し, 最先端の手法と比較した。
  論文  参考訳（メタデータ） (2022-10-14T11:41:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。