論文の概要: Unveiling Modality Bias: Automated Sample-Specific Analysis for Multimodal Misinformation Benchmarks

• arxiv url: http://arxiv.org/abs/2511.05883v1
• Date: Sat, 08 Nov 2025 06:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.637917
• Title: Unveiling Modality Bias: Automated Sample-Specific Analysis for Multimodal Misinformation Benchmarks
• Title（参考訳）: モダリティバイアスの解き放つ:マルチモーダル誤報ベンチマークのための自動サンプル特異解析
• Authors: Hehai Lin, Hui Liu, Shilei Cao, Jing Li, Haoliang Li, Wenya Wang,
• Abstract要約: サンプルレベルでのモダリティバイアスの自動認識の設計について検討する。 有効性を検証するため、2つの人気のあるベンチマークで人間による評価を行う。
• 参考スコア（独自算出の注目度）: 46.7779085335442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Numerous multimodal misinformation benchmarks exhibit bias toward specific modalities, allowing detectors to make predictions based solely on one modality. While previous research has quantified bias at the dataset level or manually identified spurious correlations between modalities and labels, these approaches lack meaningful insights at the sample level and struggle to scale to the vast amount of online information. In this paper, we investigate the design for automated recognition of modality bias at the sample level. Specifically, we propose three bias quantification methods based on theories/views of different levels of granularity: 1) a coarse-grained evaluation of modality benefit; 2) a medium-grained quantification of information flow; and 3) a fine-grained causality analysis. To verify the effectiveness, we conduct a human evaluation on two popular benchmarks. Experimental results reveal three interesting findings that provide potential direction toward future research: 1)~Ensembling multiple views is crucial for reliable automated analysis; 2)~Automated analysis is prone to detector-induced fluctuations; and 3)~Different views produce a higher agreement on modality-balanced samples but diverge on biased ones.
• Abstract（参考訳）: 多数のマルチモーダル誤報ベンチマークは特定のモダリティに対するバイアスを示しており、検出器は1つのモダリティのみに基づいて予測を行うことができる。 これまでの研究では、データセットレベルでのバイアスの定量化や、モダリティとラベルの急激な相関を手作業で特定していたが、これらのアプローチにはサンプルレベルでの有意義な洞察がなく、大量のオンライン情報にスケールするのに苦労している。 本稿では,サンプルレベルでのモダリティバイアスの自動認識の設計について検討する。 具体的には,粒度の異なる理論・視点に基づく3つのバイアス定量化手法を提案する。 1) モダリティ給付の粗粒度評価 2)情報の流れの中程度定量化,及び 3)微粒な因果解析。 有効性を検証するため、2つの人気のあるベンチマークで人間による評価を行う。 1)複数ビューの組み立ては信頼性の高い自動解析に不可欠である; 2) - 自動解析は検出器が引き起こす揺らぎを引き起こす傾向がある; 3) - 異なるビューは、モダリティバランスの標本に対してより高い一致をもたらすが、偏りのあるものに対して分散する。

関連論文リスト

• Investigating the Impact of Hard Samples on Accuracy Reveals In-class Data Imbalance [4.291589126905706]
  AutoMLドメインでは、モデルの有効性を評価するための重要な指標として、テスト精度が宣言される。 しかし、主性能指標としての試験精度の信頼性は疑問視されている。 トレーニングセットとテストセット間のハードサンプルの分布は、これらのセットの難易度に影響を与える。 本稿では,ハードサンプル識別法を比較するためのベンチマーク手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T11:38:14Z)
• General Debiasing for Multimodal Sentiment Analysis [47.05329012210878]
  本稿では,MSAモデルのOF(Out-Of-Distribution)一般化能力を高めることを目的とした,MSAタスクの一般化を提案する。 我々はIPWを用いて、大きなバイアスのあるサンプルの効果を低減し、感情予測のための堅牢な特徴学習を容易にする。 実験結果は,提案フレームワークのより優れた一般化能力を示すものである。
  論文  参考訳（メタデータ） (2023-07-20T00:36:41Z)
• Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
  同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。 また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。 様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
  論文  参考訳（メタデータ） (2023-02-22T14:50:24Z)
• Mitigating Dataset Bias by Using Per-sample Gradient [9.290757451344673]
  PGD(Per-sample Gradient-based Debiasing)は,一様バッチサンプリングによるモデルトレーニング,サンプル勾配の基準に比例して各サンプルの重要性の設定,重要バッチサンプリングを用いたモデルトレーニングの3段階からなる。 種々の合成および実世界のデータセットに対する既存のベースラインと比較して,本手法は分類タスクの最先端の精度を示した。
  論文  参考訳（メタデータ） (2022-05-31T11:41:02Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Abnormal-aware Multi-person Evaluation System with Improved Fuzzy Weighting [0.0]
  粗スクリーニングとスコア重み付きKendall-$tau$ Distanceからなる2段階スクリーニング法を選択する。 ファジィ・シンセティック・アセスメント・メソッド(FSE)を用いて、レビュアーによるスコアの重要度と信頼性を判定する。
  論文  参考訳（メタデータ） (2022-05-01T03:42:43Z)
• On Modality Bias Recognition and Reduction [70.69194431713825]
  マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。 本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。 本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-02-25T13:47:09Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)

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。