論文の概要: Disentangling Algorithmic Bias from Archival Artifacts: A Controlled Audit of Vision-Language Model Valuation in Metropolitan Museum Archives

• arxiv url: http://arxiv.org/abs/2609.17572v1
• Date: Wed, 29 Jul 2026 17:02:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.571074
• Title: Disentangling Algorithmic Bias from Archival Artifacts: A Controlled Audit of Vision-Language Model Valuation in Metropolitan Museum Archives
• Title（参考訳）: 人工物からアルゴリズムバイアスを遠ざける:大都市圏博物館資料館における視覚・言語モデル評価の制御された監査
• Abstract要約: 我々は,メトロポリタン美術館オープンアクセスコレクションの古文書メタデータを用いて,コントラスト言語-画像事前学習モデルを監査する。 3組のセマンティック・プロンプト・ペアで0ショットCLIPロジット差分スコアを評価した。 i) マクロレベルのスコア等価性は, きめ細かな視覚的セマンティックな特徴に対する計量的不感度を反映し, (ii) 41.2%の未発見保持を除いたものは, 制度的生存バイアスを反映している。
• 参考スコア（独自算出の注目度）: 2.895429029405592
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Auditing vision-language models (VLMs) for societal bias requires distinguishing direct algorithmic valuation disparities from confounders embedded within archival metadata. In this study, we audit Contrastive Language-Image Pretraining (CLIP) models using historical artwork metadata from the Metropolitan Museum of Art Open Access collection (N = 1,500 total objects; N = 743 attributed works: Male n = 534, Female n = 209; n = 618 anonymous). We establish a quantitative audit framework evaluating zero-shot CLIP logit differential scores across three semantic prompt pairs (masterpiece, quality, and influence). Unadjusted evaluations demonstrate high score convergence without a statistically significant main gender effect under OpenAI CLIP (mu_F = -0.0067 vs mu_M = -0.0035, p = 0.1829) or OpenCLIP (mu_F = 0.0171 vs mu_M = 0.0237, p = 0.1224). Two One-Sided Tests (TOST) confirm statistical equivalence across Cohen's d >= 0.25 bounds (pTOST < 0.005). Multivariate OLS regression controlling for artwork medium, creation era, and aspect ratio (R^2 < 0.02) confirms that artist gender has no statistically significant conditional effect (p > 0.20). High residual embedding variance (R^2 < 2%) indicates that global zero-shot valuation metrics operate near an embedding noise floor, showing that broad zero-shot prompt logit differentials are a coarse measurement instrument rather than proving absolute model fairness. We highlight two key caveats: (i) macro-level score equivalence reflects metric insensitivity to fine-grained visual-semantic features and does not preclude localized micro-level visual biases, and (ii) excluding 41.2% unattributed holdings reflects institutional survival bias. These results demonstrate the necessity of multivariate confound control, equivalence testing, and archival provenance auditing when assessing AI fairness in cultural heritage collections.
• Abstract（参考訳）: 社会的バイアスに対する視覚言語モデル(VLM)の監査には、アルゴリズムによる評価の相違を、考古学的メタデータに埋め込まれた共同創設者と区別する必要がある。 本研究では,メトロポリタン美術館オープンアクセスコレクション(N = 1500 オブジェクト,N = 743 属性付作品:男性 n = 534,女性 n = 209,n = 618 匿名)の古文書メタデータを用いて,比較言語-画像事前学習(CLIP)モデルを評価する。 ゼロショットCLIPロジット差分スコアを3つのセマンティックプロンプトペア(マスターピース,クオリティ,インフルエンス)で評価する定量的監査フレームワークを構築した。 調整されていない評価は、OpenAI CLIP (mu_F = -0.0067 vs mu_M = -0.0035, p = 0.1829) またはOpenCLIP (mu_F = 0.0171 vs mu_M = 0.0237, p = 0.1224) の下で、統計的に有意な主性効果のない高いスコア収束を示す。 2つの1-Sided Tests (TOST) はコーエンのd >= 0.25 境界(pTOST < 0.005)における統計的等価性を確認する。 アートメディア,生成年代,アスペクト比(R^2 < 0.02)の多変量OLS回帰制御により,アーティストの性別が統計的に有意な条件効果を持たないことが確認された(p > 0.20)。 高残差 (R^2 < 2%) は, 大域的なゼロショット評価指標が埋没ノイズフロア付近で動作していることを示し, 広帯域なゼロショットプロンプトロジット差分が絶対モデルフェアネスの証明よりも粗い測定器であることを示している。 私たちは2つの重要な注意点を強調します。 (i)マクロレベルのスコア等価性は、微粒な視覚的セマンティックな特徴に対する計量的不感度を反映し、局所的なマイクロレベルの視覚バイアスを妨げない。 (ii) 41.2%の未上場株式を除くと、制度上の生存バイアスが反映される。 これらの結果は,文化遺産コレクションにおけるAIフェアネスを評価する上で,多変量共生制御,同値試験,アーカイブ前立腺監査の必要性を実証するものである。

関連論文リスト

• Beyond the Name: Demographic Leakage in De-Identified Résumés and Evaluation Artifacts in LLM Bias Audits [4.736836688901646]
  本研究では,9つのオープンウェイトモデルと620レサムモデルにおいて,言語フィールドの除去がリークを解消するか否かを検討する。 5つの民族的条件と3つのクエー・サリエンス層にまたがる非構造的散文を分離した。 目標グループの回復平均は0.757であり、高塩分下では1.000で飽和する。
  論文  参考訳（メタデータ） (2026-09-15T01:48:44Z)
• Anchoring Bias in LLM-as-a-Judge Systems: Prior Scores Compromise Evaluation Independence [0.7340017786387767]
  先行スコアは,文脈メタデータにのみ含まれていても,判断をアンカーし,評価を評価値に体系的にシフトすることを示す。 人間のラベル付き地上真実によるカテゴリー産業データでは、アンカーされたメタデータは誤り訂正の48%をブロックし、割り当てられた間違ったラベルに対して正しい判断の10.18%をフリップする。
  論文  参考訳（メタデータ） (2026-08-26T14:41:24Z)
• Confidence Scores in Open-Vocabulary Detection Are a Biased Mixture of Scale and Semantics [8.465978346858842]
  CLIPのような基盤モデルは、視覚言語的類似性を通じて新しいカテゴリに一般化するオープン語彙オブジェクト検出器を可能にした。 スケールバイアスの発見は2つの効果の偏りのある混合であることを示す。 これらの結果から,画像レベルの基礎モデルを領域レベルの検出タスクに適用する上での基本的限界が明らかとなった。
  論文  参考訳（メタデータ） (2026-07-13T01:33:18Z)
• Metric Unreliability in Multimodal Machine Unlearning: A Systematic Analysis and Principled Unified Score [14.579552536669217]
  一般データ保護規制法に準拠するためには、ビジョンランゲージモデル(VLM)のアンラーニングが必要である。 マルチモーダル・アンラーニングにおける信頼性の最初の研究について述べる。 統一品質スコア(Unified Quality Score, UQS)は, 各計量のスピアマン相関と距離の関係から得られる重みを持つ計量である。
  論文  参考訳（メタデータ） (2026-05-04T04:13:00Z)
• Can Persona-Prompted LLMs Emulate Subgroup Values? An Empirical Analysis of Generalisability and Fairness in Cultural Alignment [75.88231994139132]
  GPT-4.1のような最先端モデルでさえ、モーダル選好を予測する精度は57.4%に過ぎなかった。 モデルでは、若者、男性、中国人、キリスト教のペルソナをよりうまくエミュレートする。
  論文  参考訳（メタデータ） (2026-04-14T15:06:13Z)
• Membership Inference Attacks against Large Audio Language Models [50.84901010528239]
  大規模音声言語モデル(LALM)のMIA評価について述べる。 テキスト,スペクトル,韻律的特徴に基づくマルチモーダルブラインドベースラインを用いて,一般的な音声データセットがほぼ完璧な列車/テスト分離性を示すことを示す。 以上の結果から, LALM検査の基準基準が確立された。
  論文  参考訳（メタデータ） (2026-03-30T12:45:28Z)
• Relative Scaling Laws for LLMs [91.73497548097775]
  スケーリング法則は、追加のデータ、パラメータ、計算によって言語モデルがどのように改善されるかを記述する。 相対的なスケーリング法則を導入し、テスト分布間のパフォーマンスギャップをスケールで追跡する。 これらの結果は、スケーリングは全体的なパフォーマンスを改善するが、普遍的等化器ではないことを示している。
  論文  参考訳（メタデータ） (2025-10-28T16:55:22Z)
• Gender Biases in Automatic Evaluation Metrics for Image Captioning [87.15170977240643]
  画像キャプションタスクのためのモデルに基づく評価指標において、性別バイアスの体系的研究を行う。 偏りのある世代と偏りのない世代を区別できないことを含む、これらの偏りのあるメトリクスを使用することによる負の結果を実証する。 人間の判断と相関を損なうことなく、測定バイアスを緩和する簡便で効果的な方法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T04:27:40Z)
• Better May Not Be Fairer: A Study on Subgroup Discrepancy in Image Classification [73.87160347728314]
  CIFAR10とCIFAR100のテストセットを各画像の背景色に基づいてサブグループにアノテートすることで、自然背景色が刺激的な特徴としてどのように機能するかを検討する。 全体としての人間レベルの精度は、一貫したサブグループ性能を保証せず、この現象はImageNetで事前訓練されたモデルやデータ拡張後のモデルでも継続している。 実験の結果,FlowAugはCIFAR10/100およびCIFAR10/100-C上で,他のDA法よりも一貫したサブグループ結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-12-16T18:51:10Z)

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。