論文の概要: Newer Is Not Fairer: Gender Stereotyping in Text-to-Image AI Across Model Generations

• arxiv url: http://arxiv.org/abs/2609.18007v1
• Date: Wed, 16 Sep 2026 01:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.595972
• Title: Newer Is Not Fairer: Gender Stereotyping in Text-to-Image AI Across Model Generations
• Title（参考訳）: テキストから画像へのAIにおけるジェンダーステレオタイピング
• Abstract要約: テキストから画像への生成モデルが、複数の世代にわたる職業間の性別をどう表現するかは、いまだに理解されていない。 我々は,20の職業,5つのプロンプトテンプレート,4つの安定拡散モデル世代におけるジェンダー表現を評価した。 労働統計局の労働統計データと比較すると、女性は平均20-46pp以下である。
• 参考スコア（独自算出の注目度）: 0.6875312133832079
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image generative models are widely used in professional and creative settings, yet how they represent gender across occupations -- and whether newer models are fairer -- remains poorly understood across multiple generations. We evaluate gender representation across 20 occupations, 5 prompt templates, and 4 Stable Diffusion model generations (SD 1.5, SD 2.1, SDXL, SD 3 Medium), generating 8,000 images with n = 100 per occupation-model cell (5 prompts x 20 images), and classifying all with DeepFace. Across the 8,000 open-source images, 76.4% show male subjects (95% CI [75.1%, 78.7%], p < 2.2 x 10^-16, Benjamini-Hochberg adjusted). More strikingly, 57.6% of images for historically female-coded occupations show male subjects (raw p = 3.43 x 10^-22, BH-adjusted p = 1.71 x 10^-21). All nine significant tests reported in this paper survive BH correction across 10 tests. When compared against U.S. Bureau of Labor Statistics workforce data, models underrepresent women by 20-46pp on average, with particularly large deviations for near gender-balanced occupations: scientist (48% female in BLS, 82-99% male in model outputs) and cleaner (46% female in BLS, 80-92% male in outputs). Model generations do not improve steadily: bias worsens from SD 1.5 to SDXL before partially recovering in SD 3 Medium. A preliminary comparison with GPT-image-1 on five occupations suggests lower bias than open-source models, though the practical effect is small (Cramer's V = 0.080) and the comparison is exploratory. No model achieves gender parity.
• Abstract（参考訳）: テキストから画像への生成モデルは、プロやクリエイティブな設定で広く使われているが、どのようにして職業全体にわたって性別を表現しているか、そして新しいモデルがより公平であるかは、何世代にもわたって理解されていない。 我々は,20の職業,5のプロンプトテンプレート,4の安定拡散モデル世代 (SD 1.5, SD 2.1, SDXL, SD 3 Medium) の性別表現を評価し,n = 100の職業モデル細胞(5のプロンプト x 20 のイメージ)で8,000のイメージを生成し,すべて DeepFace で分類した。 8000枚のオープンソース画像全体では、76.4%が男性(95% CI [75.1%, 78.7%]、p < 2.2 x 10^-16, Benjamini-Hochberg 調整)である。 より印象的なことに、歴史的に女性コード化された職業の57.6%のイメージは、男性の被写体を示している(raw p = 3.43 x 10^-22, BH調整されたp = 1.71 x 10^-21)。 今回報告した9つの重要な検査は10回の検査でBH補正を継続した。 米国労働統計局の労働統計データと比較すると、女性は平均20-46pp以下で、特に性別バランスの取れた職業には大きな偏りがあり、科学者(BLSでは48%、モデルアウトプットでは82-99%)とクリーナー(BLSでは46%、出力では80-92%)がある。 モデル生成は、SD 3 Mediumで部分的に回復する前に、SD 1.5からSDXLへバイアスが悪化する。 5つの職業におけるGPT-image-1の予備比較では、実際の効果は小さい(クラマーのV = 0.080)が、その比較は探索的である。 男女平等を達成できるモデルはない。

関連論文リスト

• Beyond the Prompt: Gender Bias in Text-to-Image Models, with a Case Study on Hospital Professions [0.0380593514849736]
  本稿では,Hunyuan Image 2.1,HiDream-I1-dev,Qwen-Image,FLUX.1-dev,Stable-Diffusion 3.5 Large,Stable-Diffusion-XLの6つの最先端オープンウェイトモデルにおける性別表現について検討する。 全てのモデルで女性や外科医が主に男性として看護婦を生産しています。 この結果は、バイアス認識設計、バランスの取れたデフォルト、およびAI生成における作業ステレオタイプの強化を防ぐためのユーザガイダンスの必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-09-27T11:18:46Z)
• Automated Evaluation of Gender Bias Across 13 Large Multimodal Models [0.0]
  大規模マルチモーダルモデル(LMM)はテキスト・ツー・イメージ生成に革命をもたらしたが、トレーニングデータに有害な社会的バイアスが持続するリスクがある。 AI生成画像における社会的バイアスを評価するベンチマークである,Aymara Image Fairness Evaluationを導入する。 我々は,75のプロシージャ生成性中立性プロンプトを用いて13の市販LMMを試験し,ステレオタイプ,ステレオタイプ,非ステレオタイプの職業の人を生成する。
  論文  参考訳（メタデータ） (2025-09-08T15:54:25Z)
• Do Existing Testing Tools Really Uncover Gender Bias in Text-to-Image Models? [11.101062595569854]
  これまでの研究で、テキスト・トゥ・イメージ(T2I)モデルは、中立的なテキスト・プロンプトが提供されると、性別のステレオタイプを永続的に、あるいは増幅することができることが示されている。 様々な検出器を包括的に比較し、それらによって検出された性別バイアスが実際の状況からどのように逸脱するかを理解する既存の研究は存在しない。 本研究では、手動ラベル付きデータセットを用いて、過去の性差検出器を検証し、T2Iモデルの実際のバイアスから、様々な検出器によって識別されたバイアスがどのように逸脱するかを比較することで、このギャップに対処する。
  論文  参考訳（メタデータ） (2025-01-27T04:47:19Z)
• GenderBias-\emph{VL}: Benchmarking Gender Bias in Vision Language Models via Counterfactual Probing [72.0343083866144]
  本稿では,GenderBias-emphVLベンチマークを用いて,大規模視覚言語モデルにおける職業関連性バイアスの評価を行う。 ベンチマークを用いて15のオープンソースLVLMと最先端の商用APIを広範囲に評価した。 既存のLVLMでは男女差が広くみられた。
  論文  参考訳（メタデータ） (2024-06-30T05:55:15Z)
• The Male CEO and the Female Assistant: Evaluation and Mitigation of Gender Biases in Text-To-Image Generation of Dual Subjects [58.27353205269664]
  本稿では,Paired Stereotype Test (PST) フレームワークを提案する。 PSTクエリT2Iモデルは、男性ステレオタイプと女性ステレオタイプに割り当てられた2つの個人を描写する。 PSTを用いて、ジェンダーバイアスの2つの側面、つまり、ジェンダーの職業におけるよく知られたバイアスと、組織力におけるバイアスという新しい側面を評価する。
  論文  参考訳（メタデータ） (2024-02-16T21:32:27Z)
• New Job, New Gender? Measuring the Social Bias in Image Generation Models [85.26441602999014]
  画像生成モデルは、社会的ステレオタイプとバイアスを永続するコンテンツを生成できる。 画像生成モデルにおける社会的バイアスを的確に、かつ、かつ、包括的に引き起こすことのできるフレームワークであるBiasPainterを提案する。 BiasPainterは、自動バイアス検出において90.8%の精度を達成することができる。
  論文  参考訳（メタデータ） (2024-01-01T14:06:55Z)
• VisoGender: A dataset for benchmarking gender bias in image-text pronoun resolution [80.57383975987676]
  VisoGenderは、視覚言語モデルで性別バイアスをベンチマークするための新しいデータセットである。 We focus to occupation-related biases in a hegemonic system of binary gender, inspired by Winograd and Winogender schemas。 我々は、最先端の視覚言語モデルをいくつかベンチマークし、それらが複雑な場面における二項性解消のバイアスを示すことを発見した。
  論文  参考訳（メタデータ） (2023-06-21T17:59:51Z)
• Exploring Gender Bias in Retrieval Models [2.594412743115663]
  情報検索におけるジェンダーバイアスの緩和は,ステレオタイプの普及を避けるために重要である。 本研究では,(1)クエリに対するドキュメントの関連性,(2)ドキュメントの“ジェンダー”という2つのコンポーネントからなるデータセットを用いる。 我々は,大容量のBERTエンコーダの完全微調整を行う場合,IRの事前学習モデルはゼロショット検索タスクではうまく動作しないことを示す。 また、事前学習されたモデルには性別バイアスがあり、検索された記事は女性よりも男性が多い傾向にあることを示した。
  論文  参考訳（メタデータ） (2022-08-02T21:12:05Z)

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。