Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

AudioTrust: Benchmarking the Multifaceted Trustworthiness of Audio Large Language Models

Created by
  • Haebom

저자

Kai Li, Can Shen, Yile Liu, Jirui Han, Kelong Zheng, Xuechao Zou, Zhe Wang, Xingjian Du, Shun Zhang, Hanjun Luo, Yingbin Jin, Xinxin Xing, Ziyang Ma, Yue Liu, Xiaojun Jia, Yifan Zhang, Junfeng Fang, Kun Wang, Yibo Yan, Haoyang Li, Yiming Li, Xiaobin Zhuang, Yang Liu, Haibo Hu, Zhuo Chen, Zhizheng Wu, Xiaolin Hu, Eng-Siong Chng, XiaoFeng Wang, Wenyuan Xu, Wei Dong, Xinfeng Li

개요

본 논문은 오디오 대규모 언어 모델(ALLM)의 신뢰성 평가를 위한 최초의 다면적 프레임워크 및 벤치마크인 AudioTrust를 제시합니다. 기존 평가 프레임워크가 텍스트 모달리티에 초점을 맞추거나 제한된 안전성 측면만 다루는 것과 달리, AudioTrust는 공정성, 환각, 안전성, 개인 정보 보호, 견고성, 인증 등 6가지 주요 측면에 걸쳐 ALLM을 평가합니다. 실제 시나리오(일상 대화, 응급 전화, 음성 비서 상호 작용 등)에서 수집한 4,420개 이상의 오디오/텍스트 샘플로 구성된 데이터셋과 9가지 오디오 특화 평가 지표를 사용하여 18가지 실험 설정을 통해 ALLM의 신뢰성 한계를 밝히고, 오픈소스 및 클로즈드소스 ALLM에 대한 실험 결과를 제시합니다. AudioTrust 플랫폼과 벤치마크는 깃허브에서 공개됩니다.

시사점, 한계점

시사점:
오디오 모달리티의 고유한 위험을 고려한 최초의 ALLM 신뢰성 평가 프레임워크 및 벤치마크 제공
다양한 고위험 오디오 시나리오에서 최첨단 ALLM의 신뢰성 한계를 밝힘
향후 오디오 모델의 안전하고 신뢰할 수 있는 배포를 위한 귀중한 통찰력 제공
오디오 특화 평가 지표 및 대규모 자동화된 평가 파이프라인 개발
공개된 플랫폼과 벤치마크를 통한 연구 공유 및 발전 촉진
한계점:
본 논문에서 제시된 데이터셋 및 평가 지표의 일반화 가능성에 대한 추가 연구 필요
다양한 ALLM 아키텍처 및 크기에 대한 광범위한 실험이 필요할 수 있음
새로운 유형의 오디오 위험 및 공격에 대한 지속적인 모니터링 및 프레임워크 업데이트 필요
👍