論文の概要: Gender Bias in Vision-Language In-Context Learning

• arxiv url: http://arxiv.org/abs/2609.27682v1
• Date: Wed, 23 Sep 2026 11:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.982608
• Title: Gender Bias in Vision-Language In-Context Learning
• Title（参考訳）: 視覚言語インテクスト学習におけるジェンダーバイアス
• Abstract要約: インコンテキスト学習(ICL)は、大規模視覚言語モデル(LVLM)が、インコンテキストの例からパターンに従うことでタスクを実行することを可能にする。 ICLがVL-BICLEを介してLVLMの性別バイアスに与える影響を系統的に検討した。 6つのLVLM実験の結果、性差のあるICLのデモンストレーションは、モデルバイアスを示される性別にシフトさせ、方向性の力として機能することが明らかとなった。 類似性に基づく検索手法は、トレーニングプールの性別不均衡を継承し、偏りのない優位性を提供するが、標準的な品質指標はこれらのバイアスシフトに盲目である。
• 参考スコア（独自算出の注目度）: 21.034772182106682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In-context learning (ICL) enables large vision-language models (LVLMs) to perform tasks by following patterns from in-context examples, yet its potential to amplify societal biases remains underexplored. We systematically investigate how ICL influences gender bias in LVLMs through VL-BICLE, an evaluation framework comprising six ICL settings, three tasks, and four datasets. Our experiments on six LVLMs reveal that gendered ICL demonstrations act as a directional force, shifting model bias toward the demonstrated gender through a cross-gender mechanism that disproportionately degrades performance on the opposite gender. This effect appears in image captioning and pronoun prediction but not in visual question answering, indicating that gendered ICL influences bias only when the task output involves gendered language. Similarity-based retrieval methods inherit the training pool's gender imbalance and offer no debiasing advantage, while standard quality metrics remain blind to these bias shifts. To mitigate this bias, we replace real in-context images with synthetic ones from stable diffusion models while keeping captions unchanged. This simple intervention reduces gender bias without degrading caption quality.
• Abstract（参考訳）: インコンテキスト学習(ICL)では、大規模視覚言語モデル(LVLM)が、インコンテキストの例からパターンに従うことでタスクを実行することができるが、社会的バイアスを増幅する可能性はまだ未熟である。 VL-BICLEは6つのICL設定、3つのタスク、4つのデータセットからなる評価フレームワークである。 6つのLVLMに対する実験により,性差によるICLの実証は指向性に作用し,モデルバイアスを性差にシフトさせる機構により,性差が不均等に低下することが明らかとなった。 この効果は画像キャプションや代名詞予測に現れるが、視覚的質問応答には現れない。 類似性に基づく検索手法は、トレーニングプールの性別不均衡を継承し、偏りのない優位性を提供するが、標準的な品質指標はこれらのバイアスシフトに盲目である。 このバイアスを軽減するため、文中の実画像を安定した拡散モデルから合成画像に置き換え、キャプションを一定に保ちながら置き換える。 この単純な介入は、キャプションの品質を低下させることなく性別バイアスを減少させる。

関連論文リスト

• Revealing and Reducing Gender Biases in Vision and Language Assistants (VLAs) [82.57490175399693]
  画像・テキスト・ビジョン言語アシスタント(VLA)22種における性別バイアスの検討 以上の結果から,VLAは実世界の作業不均衡など,データ中の人間のバイアスを再現する可能性が示唆された。 これらのモデルにおける性別バイアスを排除するため、微調整に基づくデバイアス法は、デバイアス化と性能維持の最良のトレードオフを実現する。
  論文  参考訳（メタデータ） (2024-10-25T05:59:44Z)
• GenderCARE: A Comprehensive Framework for Assessing and Reducing Gender Bias in Large Language Models [73.23743278545321]
  大規模言語モデル(LLM)は、自然言語生成において顕著な能力を示してきたが、社会的バイアスを増大させることも観察されている。 GenderCAREは、革新的な基準、バイアス評価、リダクションテクニック、評価メトリクスを含む包括的なフレームワークである。
  論文  参考訳（メタデータ） (2024-08-22T15:35:46Z)
• Beyond Binary Gender: Evaluating Gender-Inclusive Machine Translation with Ambiguous Attitude Words [85.48043537327258]
  既存の機械翻訳の性別バイアス評価は主に男性と女性の性別に焦点を当てている。 本研究では,AmbGIMT (Gender-Inclusive Machine Translation with Ambiguous attitude words) のベンチマークを示す。 本研究では,感情的態度スコア(EAS)に基づく性別バイアス評価手法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T08:13:51Z)
• From 'Showgirls' to 'Performers': Fine-tuning with Gender-inclusive Language for Bias Reduction in LLMs [1.1049608786515839]
  我々は、ジェンダー・インクリシティを促進するために、大規模言語モデル内の言語構造に適応する。 私たちの作品の焦点は英語の「In'show-Girl'」や「man-cave」のような男女排他的な接尾辞である。
  論文  参考訳（メタデータ） (2024-07-05T11:31:30Z)
• 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)
• Leveraging Large Language Models to Measure Gender Representation Bias in Gendered Language Corpora [9.959039325564744]
  大規模言語モデル(LLM)は、しばしば、トレーニングデータに埋め込まれた社会的バイアスを継承し、増幅する。 性バイアスとは、特定の役割や特性と特定の性別の関連性である。 ジェンダー表現バイアスは、性別の異なる個人への参照の不平等な頻度である。
  論文  参考訳（メタデータ） (2024-06-19T16:30:58Z)
• Probing Explicit and Implicit Gender Bias through LLM Conditional Text Generation [64.79319733514266]
  大規模言語モデル(LLM)はバイアスと有害な応答を生成する。 本研究では,あらかじめ定義されたジェンダーフレーズやステレオタイプを必要としない条件付きテキスト生成機構を提案する。
  論文  参考訳（メタデータ） (2023-11-01T05:31:46Z)
• Reducing Gender Bias in Neural Machine Translation as a Domain Adaptation Problem [21.44025591721678]
  NLPタスクのトレーニングデータは、男性よりも女性に言及する文が少ないという性別バイアスを呈することが多い。 最近のWinoMTチャレンジセットでは、この効果を直接測定することができます。 私たちは、信頼できる性別バランスの例の小さなセットでトランスファーラーニングを使用します。
  論文  参考訳（メタデータ） (2020-04-09T11:55:13Z)

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。