論文の概要: Selective Test-Time Debiasing for CLIP via Reward Gating

• arxiv url: http://arxiv.org/abs/2607.00423v1
• Date: Wed, 01 Jul 2026 04:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.716222
• Title: Selective Test-Time Debiasing for CLIP via Reward Gating
• Title（参考訳）: 逆ゲーティングによるCLIPの選択的テスト時間劣化
• Abstract要約: 視覚言語モデル(VLM)は、強いゼロショット性能を示すが、人中心のクエリでしばしば社会的なステレオタイプを永続させる。 本稿では,強化学習に基づくテスト時間適応フレームワークであるReward-Gated Test-Time Adaptation (RG-TTA)を紹介する。 RG-TTAは、テスト時間ポリシー適応時の各入力のバイアス感度に基づいて、フェアネス正則化を適応的にトリガする。
• 参考スコア（独自算出の注目度）: 9.837249813808603
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision language models (VLMs) demonstrate strong zero-shot performance, but often perpetuate social stereotypes in person-centric queries, yielding skewed demographic distributions. Current debiasing methods apply uniform bias corrections across all input queries regardless of their bias sensitivity, creating a fundamental fairness--utility trade-off. Strong debiasing distorts semantically meaningful information in bias-insensitive queries, while weak debiasing fails to mitigate stereotypes in bias-sensitive ones. This one-size-fits-all approach hampers simultaneously achieving high utility on bias-insensitive queries and fairness on bias-sensitive queries. We introduce Reward-Gated Test-Time Adaptation (RG-TTA), a reinforcement learning-based test-time adaptation framework that selectively applies debiasing based on input sensitivity. RG-TTA adaptively triggers fairness regularization based on the bias sensitivity of each input during test-time policy adaptation, while focusing exclusively on optimizing cross-modal alignment for bias-insensitive inputs. Experiments on fairness benchmarks (e.g., FairFace, UTKFace) demonstrate substantial bias reduction while simultaneously improving zero-shot utility, resolving the trade-off of uniform debiasing.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、強いゼロショット性能を示すが、人中心のクエリでしばしば社会的なステレオタイプを持続させ、人口分布を歪ませる。 現在のデバイアス法は、バイアス感度に関係なく全ての入力クエリに均一なバイアス補正を適用し、基本的な公平性-ユーティリティトレードオフを生み出す。 強いデバイアスはバイアスに敏感なクエリにおいて意味論的に意味のある情報を歪め、弱いデバイアスはバイアスに敏感なクエリにおいてステレオタイプを緩和する。 この1サイズフィットのアプローチは、バイアスに敏感なクエリとバイアスに敏感なクエリの公平性を同時に達成する。 Reward-Gated Test-Time Adaptation (RG-TTA) は、入力感度に基づいてデバイアスを選択的に適用する強化学習ベースのテスト時間適応フレームワークである。 RG-TTAは、テスト時ポリシー適応時の各入力のバイアス感度に基づいて、適応的に公正な正規化をトリガーし、バイアス非感受性入力に対するクロスモーダルアライメントの最適化にのみ焦点をあてる。 フェアネスベンチマーク(例えば、FairFace、UTKFace)の実験は、ゼロショットユーティリティを同時に改善し、均一なデバイアスのトレードオフを解消しながら、実質的なバイアス低減を示す。

関連論文リスト

• Making Bias Non-Predictive: Training Robust LLM Judges via Reinforcement Learning [91.8584139564909]
  大規模言語モデル(LLM)は、ますます自動化された審査員として機能するが、認知バイアスの影響を受けやすいままである。 本稿では,重要原則に基づく強化学習フレームワークである疫学独立訓練(EIT)を提案する。 EITはバランスの取れた競合戦略を通じてこれを運用します。
  論文  参考訳（メタデータ） (2026-02-02T01:43:48Z)
• BLADE: Bias-Linked Adaptive DEbiasing [2.7352017408152083]
  BLADEは、バイアスやバイアスを伴うサンプルの事前知識を必要としない、生成的デバイアスのフレームワークである。 我々は,複数のベンチマークデータセット上でBLADEを評価し,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-05T12:28:54Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Take Care of Your Prompt Bias! Investigating and Mitigating Prompt Bias in Factual Knowledge Extraction [56.17020601803071]
  近年の研究では、事前学習言語モデル(PLM)が、事実知識抽出において「急激なバイアス」に悩まされていることが示されている。 本稿では,突発バイアスを徹底的に調査し緩和することにより,既存のベンチマークの信頼性を向上させることを目的とする。
  論文  参考訳（メタデータ） (2024-03-15T02:04:35Z)
• On Comparing Fair Classifiers under Data Bias [42.43344286660331]
  本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。 我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
  論文  参考訳（メタデータ） (2023-02-12T13:04:46Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)
• BiaSwap: Removing dataset bias with bias-tailored swapping augmentation [20.149645246997668]
  ディープニューラルネットワークは、データセット固有のスプリットな相関に基づいて決定することが多く、偏りのないデータ分布を一般化することができない。 本稿では,バイアスタイプの監督を必要とせず,非バイアス表現を学習するための,バイアス調整強化に基づく新しいアプローチBiaSwapを提案する。
  論文  参考訳（メタデータ） (2021-08-23T08:35:26Z)

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。