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.

My Answer Is NOT 'Fair': Mitigating Social Bias in Vision-Language Models via Fair and Biased Residuals

Created by
  • Haebom

저자

Jian Lan, Yifei Fu, Udo Schlegel, Gengyuan Zhang, Tanveer Hannan, Haokun Chen, Thomas Seidl

개요

본 논문은 대규모 비전-언어 모델(VLMs)에서의 사회적 편향 문제를 다룹니다. 특히 생성 응답에서의 사회적 편향 정도를 평가하고 완화하는 방법을 연구합니다. PAIRS 및 SocialCounterfactuals 데이터셋을 사용하여 4개의 최첨단 VLM을 다중 선택 과제로 평가한 결과, 성별 및 인종 편향이 존재함을 발견했습니다. 모델이 공정하다고 주장하지만 특정 사회 집단에 대해서는 신뢰 수준이 잘못 보정되어 있음을 확인했습니다. VLMs의 불공정성 원인을 조사한 결과, 은닉층에서 공정성 수준이 크게 변동하고, 각 층의 잔차는 공정성에 긍정적 또는 부정적 영향을 미침을 확인했습니다. 이를 바탕으로 추론 단계에서 사회적 편향을 완화하는 사후처리 방법을 제안합니다. 이는 학습이 필요 없고 모델에 독립적인 방법으로, 추론 중 모델 은닉층에서 편향과 관련된 잔차를 제거하고 공정성과 관련된 잔차를 증폭시키는 방식입니다. 실험 결과, 제안된 사후처리 방법이 기존의 학습 기반 전략보다 우수하며, VLMs의 응답의 공정성과 신뢰 수준을 향상시킴을 보였습니다.

시사점, 한계점

시사점:
VLMs의 생성 응답에서 성별 및 인종 편향의 심각성을 밝힘.
VLMs의 은닉층에서의 공정성 수준 변동 및 잔차의 복합적인 영향을 분석.
학습이 필요 없고 모델에 독립적인 사후처리 편향 완화 방법 제시.
제안된 방법이 기존 방법보다 우수한 성능을 보임.
한계점:
제안된 방법의 일반화 성능에 대한 추가 연구 필요.
다양한 사회적 편향 유형에 대한 추가적인 평가 필요.
사후처리 방법이 모델의 성능에 미치는 영향에 대한 추가적인 분석 필요.
👍