論文の概要: Variational and Decomposed method for Mitigating Bimodal Bias in Robust Visual Question Answering

• arxiv url: http://arxiv.org/abs/2610.22845v1
• Date: Fri, 16 Oct 2026 02:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.73464
• Title: Variational and Decomposed method for Mitigating Bimodal Bias in Robust Visual Question Answering
• Title（参考訳）: ロバスト視覚質問応答におけるバイモーダルバイアスの変動・分解法
• Abstract要約: カウントと非カウント問題におけるマルチモーダルバイアスについて検討する。 それらには明確な基盤機構があることが分かり、そのバイアスは異なる理由から生じます。 本稿では,バイモーダルバイアスを緩和する変分分解法を提案する。
• 参考スコア（独自算出の注目度）: 9.193339617503657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual question answering (VQA) models are known to suffer from the bias issue, which refers to overfitting the regularities of frequent patterns. Previously, researchers only consider the language bias. Recently, the multimodal bias is noticed. However, what multimodal bias is remains unclear. In this paper, we investigate the multimodal bias in counting and non-counting questions. We find that they have distinct underlying mechanism, so their biases come from distinct reasons. We provide valuable interpretations of VQA counting mechanism: \textbf{quantity information stems from the magnitude of the multimodal features in specific dimensions.} Thus, counting bias stems from the vision side and propagates to multimodal features through modality fusion, while the non-counting bias stems from primarily language bias and slightly vision bias. Thus, we propose a method to deal with them differently: Variational and Decomposed method for mitigating Bimodal Bias (VDB). It extracts bimodal bias affected by different proportion of vision and language sides. We introduce variational bias models utilizing the principle of Variational Auto-Encoder to learn mainly language bias with slight vision effect, and a bimodal bias model for bimodal bias combining language and vision sides. Extensive experiments on VQACPv2, VQACPv1, and GQAOOD datasets demonstrate the rationality of our claim and the effectiveness of our method. We also provide explanation for the compromised performance on VQAv2.
• Abstract（参考訳）: 視覚的質問応答(VQA)モデルは、頻繁なパターンの規則性を過度に適合させるというバイアス問題に悩まされていることが知られている。 以前は、研究者は言語バイアスのみを考慮していた。 近年,マルチモーダルバイアスが注目されている。 しかし、マルチモーダルバイアスが何であるかはいまだ不明である。 本稿では,質問数と非質問数におけるマルチモーダルバイアスについて検討する。 それらには明確な基盤機構があることが分かり、そのバイアスは異なる理由から生じます。 VQAカウント機構の貴重な解釈を以下に示す: \textbf{quantity 情報は、特定の次元におけるマルチモーダル特徴の大きさに由来する。 このように、カウントするバイアスは視覚側から派生し、モダリティ融合によってマルチモーダルな特徴へと伝播する一方、非カウントするバイアスは主に言語バイアスとわずかに視覚バイアスに由来する。 そこで本研究では,バイモーダルバイアス(VDB)を緩和する変分分解法を提案する。 視覚と言語側の違いによって影響を受けるバイモーダルバイアスを抽出する。 本稿では,変分オートエンコーダの原理を用いて,視覚効果の少ない言語バイアスを学習するための変分バイアスモデルと,言語と視覚の両面を組み合わせたバイモーダルバイアスモデルを提案する。 VQACPv2, VQACPv1, GQAOODデータセットの大規模な実験により, 請求項の合理性と本手法の有効性が示された。 また、VQAv2の妥協性能についても説明します。

関連論文リスト

• How Does Alignment Tuning Shape Representations of Sycophancy and Related Cue-Induced Biases in LLMs? [53.58941416780391]
  本研究は, この感受性, 潜伏性および関連キュー誘発バイアスがモデル内に存在するかを研究する。 我々は、隠れた状態からバイアスごとの方向を抽出し、探索、1つのデータセットの移動、因果的介入の3つの手段によってそれを三角測量する。
  論文  参考訳（メタデータ） (2026-07-20T16:10:06Z)
• Eliminating the Language Bias for Visual Question Answering with fine-grained Causal Intervention [9.859335795616028]
  よりきめ細かい視点から言語バイアスを排除するために,CIBiという新たな因果介入訓練手法を提案する。 我々は、文脈バイアスを排除し、マルチモーダル表現を改善するために因果介入とコントラスト学習を用いる。 我々は,キーワードバイアスを抽出・排除するために,対実生成に基づく質問専用ブランチを新たに設計する。
  論文  参考訳（メタデータ） (2024-10-14T06:09:16Z)
• Is There a One-Model-Fits-All Approach to Information Extraction? Revisiting Task Definition Biases [62.806300074459116]
  定義バイアスは、モデルを誤解させる可能性のある負の現象である。 IEでは、情報抽出データセット間のバイアスと、情報抽出データセットとインストラクションチューニングデータセット間のバイアスの2つの定義バイアスを識別する。 本稿では, 定義バイアス測定, バイアス対応微調整, タスク固有バイアス緩和からなる多段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:19:20Z)
• Mitigating Bias for Question Answering Models by Tracking Bias Influence [84.66462028537475]
  本稿では,複数選択QAモデルのバイアスを軽減するためのBMBIを提案する。 バイアスのある例から学んだ場合、モデルがよりバイアスに傾くように傾くという直感に基づいて、クエリインスタンスのバイアスレベルを測定します。 本手法は,複数のバイアスカテゴリにまたがる複数のQA定式化に適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-10-13T00:49:09Z)
• Reducing the Vision and Language Bias for Temporal Sentence Grounding [22.571577672704716]
  本稿では,視覚と言語の両方において負のバイアスをフィルタし,除去するためのD-TSGモデルを提案する。 3つのベンチマークデータセット上で最先端の性能を達成することで、その効果を実証する。
  論文  参考訳（メタデータ） (2022-07-27T11:18:45Z)
• Greedy Gradient Ensemble for Robust Visual Question Answering [163.65789778416172]
  VQA(Visual Question Answering)では、分布バイアスとショートカットバイアスという2つの側面から生じる言語バイアスを強調している。 本稿では,非バイアスベースモデル学習に複数のバイアスモデルを組み合わせた新しいデバイアスフレームワークGreedy Gradient Ensemble(GGE)を提案する。 GGEはバイアス付きモデルを優先的にバイアス付きデータ分布に過度に適合させ、バイアス付きモデルでは解決が難しい例にベースモデルがより注意を払う。
  論文  参考訳（メタデータ） (2021-07-27T08:02:49Z)
• UnQovering Stereotyping Biases via Underspecified Questions [68.81749777034409]
  未特定質問からバイアスを探索・定量化するためのフレームワークUNQOVERを提案する。 モデルスコアの素直な使用は,2種類の推論誤差による誤ったバイアス推定につながる可能性があることを示す。 我々はこの指標を用いて、性別、国籍、民族、宗教の4つの重要なステレオタイプの分析を行う。
  論文  参考訳（メタデータ） (2020-10-06T01:49:52Z)

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。