論文の概要: GGSS: Geodesic-Gated Spherical Steering for Inference-Time Debiasing of Generative Vision-Language Models

• arxiv url: http://arxiv.org/abs/2608.25375v1
• Date: Wed, 26 Aug 2026 04:58:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.59601
• Title: GGSS: Geodesic-Gated Spherical Steering for Inference-Time Debiasing of Generative Vision-Language Models
• Title（参考訳）: GGSS:ジオデシックゲート付き球面ステアリングによる生成視覚言語モデルの推論・時間劣化
• Abstract要約: ジェネレーティブビジョン言語モデル(VLM)は、人間中心の設定での利用が増えている。 画像が人種や性別などの制御された属性でのみ異なる場合でも、人口統計学的に偏りのある出力を生成することができる。 GGSS--Geodesic-Gated Spherical Steering---Geodesic-Gated Spherical Steering--は、測地線に沿って視覚トークンを操る標準保存介入である。
• 参考スコア（独自算出の注目度）: 19.055058751178056
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative vision-language models (VLMs) are increasingly used in human-centered settings, yet they can produce demographically biased outputs even when images differ only in controlled attributes such as perceived race or gender. However, existing inference-time debiasers were largely designed for static embeddings or CLIP-like models rather than generative VLMs. We propose GGSS---Geodesic-Gated Spherical Steering---a norm-preserving intervention that discovers a counterfactual bias subspace on the unit hypersphere, steers visual tokens along geodesic arcs, and uses an adaptive gate to focus correction on tokens that carry stronger demographic signal. We evaluate four generative VLMs against ten adapted inference-time debiasing baselines and prompt-based mitigation under a single operating-point protocol across categorical, pairwise, and occupation-gender bias tests, while also measuring general visual-language capability. GGSS achieves the lowest average bias on all four models, significant on three of four backbones under paired permutation tests, while preserving MMStar accuracy within +/- 0.6 p.p. of the unsteered baseline. Code is available at https://github.com/dukesun99/GGSS.
• Abstract（参考訳）: 生成的視覚言語モデル(VLM)は、人間中心の設定においてますます使われてきているが、認識された人種や性別のような制御された属性でのみ画像が異なる場合であっても、人口統計学的に偏りのある出力を生成することができる。 しかし、既存の推論時のデバイアスは、生成的なVLMではなく静的埋め込みやCLIPのようなモデルのために主に設計されていた。 GGSS--Geodesic-Gated Spherical Steering--は、単位超球面上の反実効バイアス部分空間を発見し、測地線弧に沿って視覚トークンを操り、適応ゲートを用いて、より強い人口統計信号を運ぶトークンに補正を集中させるノルム保存的介入を提案する。 本研究は,10種類の適応型推論時デバイアスベースラインに対する4つの生成的VLMを,カテゴリー,ペアワイド,職業性バイアステストにまたがる単一のオペポイントプロトコルの下で評価すると共に,一般的な視覚言語能力も測定した。 GGSSは4つのモデルの中で最も低い平均偏差を達成し、ペアの置換試験で4つのバックボーンのうち3つに有意であり、MMStarの精度は非ステアリングベースラインの+/-0.6 ppで維持されている。 コードはhttps://github.com/dukesun99/GGSSで入手できる。

関連論文リスト

• MBD: A Model-Based Debiasing Framework Across User, Content, and Model Dimensions [50.00784452900918]
  この課題に対処する一般モデルベースデバイアス(MBD)フレームワークを提案する。 任意のコホートに対するエンゲージメント分布の文脈平均と分散を明示的に推定する。 この統合により、フレームワークはバイアス付き生信号からバイアスなしの表現に変換することができる。
  論文  参考訳（メタデータ） (2026-03-15T15:07:01Z)
• Bi-directional Bias Attribution: Debiasing Large Language Models without Modifying Prompts [29.864293711943038]
  本研究では, 言語モデルにおいて, ステレオタイプ誘導語を検出し, ニューロンレベルのバイアスをもたらすフレームワークを提案する。 本フレームワークはまず, 集団間の比較分析により, ステレオタイプ誘導形容詞と名詞を識別する。 3つの LLM 実験により,本手法はモデル全体の性能を保ちながらバイアスを効果的に低減することを示した。
  論文  参考訳（メタデータ） (2026-02-04T10:27:36Z)
• Prototypicality Bias Reveals Blindspots in Multimodal Evaluation Metrics [25.374192139098284]
  マルチモーダル評価において,システム障害モードとしての原形質バイアスについて検討する。 我々は、動物、オブジェクト、デモグラフィー画像にまたがる対照ベンチマークProtoBiasを導入する。 以上の結果から,CLIPScore,PickScore,VQAベースのスコアなど,広く使用されているメトリクスが,これらのペアを誤用していることが判明した。 本稿では, 故障率を大幅に低減し, 誤判定を抑える, 頑健な7BパラメータであるProtoScoreを提案する。
  論文  参考訳（メタデータ） (2026-01-08T13:49:14Z)
• Bias Is a Subspace, Not a Coordinate: A Geometric Rethinking of Post-hoc Debiasing in Vision-Language Models [13.46898179372249]
  VLM(Vision-Language Models)は、マルチモーダルな推論には欠かせないものとなっているが、それらの表現はしばしば人口統計バイアスをエンコードし増幅している。 線形デオード可能なバイアスの全部分空間を同定・除去する幾何学的原理の枠組みを提案する。 提案手法は, 4つのフェアネス指標に対して平均18.5%の精度向上を達成し, より堅牢なデバイアス化を実現する。
  論文  参考訳（メタデータ） (2025-11-22T17:04:30Z)
• SegDebias: Test-Time Bias Mitigation for ViT-Based CLIP via Segmentation [23.565073829744676]
  本稿では,ViTベースのCLIPモデルに対して,追加のトレーニングやバイアスアノテーションの仮定を必要としないテスト時デバイアス手法を提案する。 提案手法では,対象の視覚属性を抽出するために事前訓練されたセグメンテーションモデルを用いて,非対象領域を調整し,その埋め込みがすべてのクラス固有のテキストプロンプトと均一に類似するようにする。 WaterbirdsとCelebAの実験により、我々の手法は、グループロバストネスメトリクスと注意IoUの両方において、既存のテスト時間偏りのアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-01T11:57:57Z)
• debiaSAE: Benchmarking and Mitigating Vision-Language Model Bias [1.3995965887921709]
  5つのモデルと6つのデータセットの人口統計バイアスを分析します。 UTKFaceやCelebAといったポートレートデータセットは、バイアス検出に最適なツールです。 我々のデバイアス法は公平さを向上し,ベースラインよりも5～15ポイントの性能向上を実現した。
  論文  参考訳（メタデータ） (2024-10-17T02:03:27Z)
• Debiasing Vision-Language Models via Biased Prompts [79.04467131711775]
  本稿では,テキスト埋め込みにおけるバイアスのある方向を投影することで,視覚言語基盤モデルを疎外する一般的な手法を提案する。 偏平投影行列を組み込んだテキストのみをデバイアスすることで、ロバストな分類器と公正な生成モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-01-31T20:09:33Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
  コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。 クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。 毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
  論文  参考訳（メタデータ） (2020-10-06T16:42:51Z)

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。