論文の概要: Disparities In Negation Understanding Across Languages In Vision-Language Models

• arxiv url: http://arxiv.org/abs/2604.18942v1
• Date: Tue, 21 Apr 2026 00:32:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.553346
• Title: Disparities In Negation Understanding Across Languages In Vision-Language Models
• Title（参考訳）: 視覚言語モデルにおける言語間の否定的理解の相違
• Authors: Charikleia Moraitaki, Sarah Pan, Skyler Pulling, Gwendolyn Flusche, Kumail Alhamoud, Marzyeh Ghassemi,
• Abstract要約: 我々は,7つの言語にまたがる,最初の人間検証型多言語否定ベンチマークを紹介した。 標準のCLIPが非ラテン文字言語で実行可能であるのに対して、MultiCLIPは最高かつ最も均一な精度を実現している。 また,提案する否定訂正であるSpaceVLMを評価し,いくつかの言語で大幅な改善が得られた。
• 参考スコア（独自算出の注目度）: 13.405368749743408
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) exhibit affirmation bias: a systematic tendency to select positive captions ("X is present") even when the correct description contains negation ("no X"). While prior work has documented this failure mode in English and proposed solutions, negation manifests differently across languages through varying morphology, word order, and cliticization patterns, raising the question of whether these solutions serve all linguistic communities equitably. We introduce the first human-verified multilingual negation benchmark, spanning seven typologically diverse languages: English, Mandarin Chinese, Arabic, Greek, Russian, Tagalog, and Spanish. Evaluating three VLMs - CLIP, SigLIP, and MultiCLIP - we find that standard CLIP performs at or below chance on non-Latin-script languages, while MultiCLIP achieves the highest and most uniform accuracy. We also evaluate SpaceVLM, a proposed negation correction, and find that it produces substantial improvements for several languages - particularly English, Greek, Spanish, and Tagalog - while showing varied effectiveness across typologically different languages. This variation reveals that linguistic properties like morphology, script, and negation structure interact with model improvements in fairness-relevant ways. As VLMs are deployed globally, multilingual benchmarks are essential for understanding not just whether solutions work, but for whom.
• Abstract（参考訳）: 視覚言語モデル(VLM)は肯定バイアスを示す: 正の字幕("X is present")を選択する体系的傾向("no X")は、正しい記述が否定を含む場合("no X")である。 以前の研究では、この失敗モードを英語や提案されたソリューションで文書化してきたが、否定は様々な形態、単語順、クリタイゼーションパターンを通じて言語によって異なる形で表され、これらのソリューションが全ての言語コミュニティに公平に作用するかどうかという疑問が提起された。 日本語,中国語,アラビア語,ギリシャ語,ロシア語,タガログ語,スペイン語の7言語にまたがる,最初の人間検証型多言語否定ベンチマークを紹介した。 CLIP、SigLIP、MultiCLIPの3つのVLMを評価すると、標準のCLIPが非ラテン文字言語で実行可能であるのに対して、MultiCLIPは最高かつ最も均一な精度を達成する。 また,提案した否定訂正であるSpaceVLMを評価し,特に英語,ギリシャ語,スペイン語,タガログなどいくつかの言語で大幅な改善が得られた。 この変異は、形態学、スクリプト、否定構造のような言語特性が、公平性に関連する方法でモデル改善と相互作用することを明らかにする。 VLMがグローバルにデプロイされるため、マルチ言語ベンチマークはソリューションが機能するかどうかだけでなく、誰のためにも不可欠である。

関連論文リスト

• Adapting Language Models to Indonesian Local Languages: An Empirical Study of Language Transferability on Zero-Shot Settings [1.1556013985948772]
  インドネシアの低リソース言語への事前学習言語モデルの転送性を評価する。 私たちはターゲット言語を、見る、見る、見る、見る、見えない3つのカテゴリに分類します。 マルチ言語モデルは、目に見える言語で、部分的に見られる言語では適度に、目に見えない言語では劣る。 対象言語にラベル付きデータを必要としないため,MAD-Xは性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2025-07-02T12:17:55Z)
• IMPACT: Inflectional Morphology Probes Across Complex Typologies [0.0]
  IMPACTは、屈折形態学に焦点を当てた、合成的に生成された評価フレームワークである。 アラビア語、ロシア語、フィンランド語、トルコ語、ヘブライ語という5つの形態学的に豊かな言語のパフォーマンスを評価するように設計されている。 英語のパフォーマンスが強いにもかかわらず、他の言語と競合する8つの多言語LLMと、一般的でない形態素パターンを評価した。
  論文  参考訳（メタデータ） (2025-06-30T14:58:23Z)
• Understanding and Mitigating Language Confusion in LLMs [76.96033035093204]
  我々は,既存の英語および多言語プロンプトを用いた15の型的多様言語の評価を行った。 Llama Instruct と Mistral のモデルでは,言語的混乱の度合いが高いことがわかった。 言語混乱は,数発のプロンプト,多言語SFT,選好調整によって部分的に緩和できることがわかった。
  論文  参考訳（メタデータ） (2024-06-28T17:03:51Z)
• CLSE: Corpus of Linguistically Significant Entities [58.29901964387952]
  専門家が注釈を付けた言語学的に重要なエンティティ(CLSE)のコーパスをリリースする。 CLSEは74種類のセマンティックタイプをカバーし、航空券売機からビデオゲームまで様々なアプリケーションをサポートする。 言語的に代表されるNLG評価ベンチマークを,フランス語,マラティー語,ロシア語の3言語で作成する。
  論文  参考訳（メタデータ） (2022-11-04T12:56:12Z)
• Discovering Representation Sprachbund For Multilingual Pre-Training [139.05668687865688]
  多言語事前学習モデルから言語表現を生成し、言語分析を行う。 すべての対象言語を複数のグループにクラスタリングし、表現のスプラックバンドとして各グループに名前を付ける。 言語間ベンチマークで実験を行い、強いベースラインと比較して大幅な改善が達成された。
  論文  参考訳（メタデータ） (2021-09-01T09:32:06Z)

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。