論文の概要: ContextBias: Controlled Evaluation of Bias Persistence Under Context Shift in Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2608.29847v1
• Date: Sun, 30 Aug 2026 15:23:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.08993
• Title: ContextBias: Controlled Evaluation of Bias Persistence Under Context Shift in Text-to-Image Models
• Title（参考訳）: ContextBias:テキスト・画像モデルにおけるコンテキストシフトによるバイアス持続性制御評価
• Abstract要約: 制御された評価フレームワークであるContextBiasと、92のロールと1,656のセマンティックなプロンプトにまたがるベンチマークであるContextBenchを紹介する。 66,240個の画像に対して4つの最先端モデルを評価する。 意味的に無関係なコンテキストにロールを配置しても、ロールリンクされた属性は抑制されず、代わりにクロスロール属性の濃度が増加する。
• 参考スコア（独自算出の注目度）: 56.399896249572826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image models learn associations between concepts - in the case of this paper, people's professions, which we refer to as roles - and visual attributes. These associations can underpin many observed forms of stereotypical bias. A key open question in this area is whether these associations are stable or change when visual representations of people in professional roles are placed in different prompted contexts. We introduce ContextBias, a controlled evaluation framework, and ContextBench, a benchmark spanning 92 roles and 1,656 semantically controlled prompts, designed to isolate the effect of contextual variation on role-linked visual representations. Evaluating four state-of-the-art models on 66,240 generated images, we find that placing a role in a semantically unrelated context does not suppress role-linked attributes; instead, cross-role attribute concentration increases (pooled BI $+0.047$). Demographic cues, characteristic garments, and role-specific tools remain highly prevalent across context-free, related, and unrelated conditions, and are robust to semantic prompt reformulation. Scene composition and camera framing show the greatest context-sensitivity. These findings reveal a form of stereotypical persistence that remains largely invisible to context-free evaluations, highlighting the need for controlled contextual variation in bias benchmarking. Code and dataset: https://huggingface.co/datasets/shaghayegh/ContextBias , https://github.com/Sina-Emami/ContextBias
• Abstract（参考訳）: テキスト・ツー・イメージ・モデルは、概念(本論文の場合、我々が役割と呼ぶ人々の職業)と視覚特性(視覚的属性)の関連を学習する。 これらの関連は、多くの観察されたステレオタイプバイアスの基盤となる。 この領域で重要な疑問は、これらの関連が安定しているか、あるいはプロの職にある人々の視覚的表現が異なる誘惑の文脈に置かれている場合、変化しているかである。 制御された評価フレームワークであるContextBiasと、92のロールと1,656のセマンティックなプロンプトにまたがるベンチマークであるContextBenchを紹介する。 66,240生成画像上の4つの最先端モデルを評価すると、意味的に無関係な文脈にロールを配置しても役割関連属性は抑制されず、代わりにクロスロール属性濃度が増加する(BI$+0.047$)。 デモグラフィックの手がかり、特徴的な衣服、役割固有の道具は、文脈のない、関係のない、無関係な条件で広く普及し続けており、意味的な即興的な改革に頑健である。 シーン構成とカメラフレーミングは、最もコンテキスト感受性を示す。 これらの結果から, 文脈自由評価にはほとんど見えず, バイアスベンチマークにおける文脈変動の制御の必要性が浮き彫りとなった。 コードとデータセット:https://huggingface.co/datasets/shaghayegh/ContextBias , https://github.com/Sina-Emami/ContextBias

関連論文リスト

• Deeply Interleaved Text-Image Contexts for Multimodal LLMs Assessment [57.41731607488101]
  TIC-Benchは、テキストイメージの手がかりを統合し、深くインターリーブされたコンテキストの中で真実の事実を復元するモデルの能力を評価するように設計されている。 また,10種類のMLLMを評価し,人的専門家と比較してかなりの性能差が認められた。
  論文  参考訳（メタデータ） (2026-09-02T13:19:51Z)
• The Illusion of Robustness: Aggregate Accuracy Hides Prediction Flips under Task-Irrelevant Context [76.36635039699112]
  大規模言語モデル(LLM)は、タスク入力に長く、部分的には関係のないコンテキストが伴うような、コンテキストに富んだ環境にますますデプロイされる。 現状のモデルはしばしば、集合レベルでのタスク非関連コンテキストに対して頑健に見える。 しかし、この集合安定性は、指数当たりの不安定性を著しくマスクする。
  論文  参考訳（メタデータ） (2026-07-14T17:01:12Z)
• Same Image, Different Meanings: Toward Retrieval of Context-Dependent Meanings [2.9320341537404713]
  画像意味の文脈依存性とその検索への応用について検討する。 キーとなる観察は、コンテキスト依存はセマンティックな抽象化と相関しているということだ。 我々はこれをL1-L4フレームワークとして運用し、文脈非依存(L1)から最大文脈依存(L4)までのイメージセマンティクスを編成する。
  論文  参考訳（メタデータ） (2026-05-13T02:31:10Z)
• Lost in Context: The Influence of Context on Feature Attribution Methods for Object Recognition [4.674826882670651]
  本研究では,文脈操作がモデル精度と特徴属性の両方にどのように影響するかを検討する。 我々は、オブジェクト認識タスクにおけるコンテキストに基づくディープニューラルネットワークの信頼度を解明するために、様々な特徴属性技術を用いている。
  論文  参考訳（メタデータ） (2024-11-05T06:13:01Z)
• Context Diffusion: In-Context Aware Image Generation [27.63447546705641]
  コンテキスト拡散(Context Diffusion)は、画像生成モデルがコンテキストで提示された視覚的な例から学ぶことを可能にする拡散ベースのフレームワークである。 我々の実験と人的評価は、コンテキスト拡散がドメイン内タスクとドメイン外タスクの両方で優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-06T16:19:51Z)
• Context-LGM: Leveraging Object-Context Relation for Context-Aware Object Recognition [48.5398871460388]
  本稿では,オブジェクト・コンテキスト関係を階層的にモデル化する新しいコンテキスト潜在生成モデル(Contextual Latent Generative Model,Context-LGM)を提案する。 文脈的特徴を推定するために、変数自動エンコーダ(VAE)の目的関数を再構成し、対象物に対する後続条件付き分布として文脈的特徴を学習する。 本手法の有効性は,2つのコンテキスト認識オブジェクト認識タスクにおける最先端性能によって検証される。
  論文  参考訳（メタデータ） (2021-10-08T11:31:58Z)
• Probing Contextual Language Models for Common Ground with Visual Representations [76.05769268286038]
  我々は、マッチングと非マッチングの視覚表現を区別する上で、テキストのみの表現がいかに効果的かを評価するための探索モデルを設計する。 以上の結果から,言語表現だけでは,適切な対象カテゴリから画像パッチを検索する強力な信号が得られることがわかった。 視覚的に接地された言語モデルは、例えば検索においてテキストのみの言語モデルよりわずかに優れているが、人間よりもはるかに低い。
  論文  参考訳（メタデータ） (2020-05-01T21:28:28Z)
• Don't Judge an Object by Its Context: Learning to Overcome Contextual Bias [113.44471186752018]
  既存のモデルは、認識精度を向上させるために、オブジェクトとそのコンテキスト間の共起を利用することが多い。 この研究は、学習した特徴表現の堅牢性を改善するために、そのような文脈バイアスに対処することに焦点を当てている。
  論文  参考訳（メタデータ） (2020-01-09T18:31:55Z)

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。