Vision-Language Model における性別に対する嗜好の偏り

抄録

Vision-Language Model (VLM) は大規模な画像・言語コーパスから学習された視覚と言語を同時に扱う基盤モデルである．本研究では属性付き顔画像の一対比較実験を通じて VLM における嗜好の偏りを明らかにする．結果，VLM は 男性と女性など複数の属性ペアにて有意に一方を好むことが示された．検証の結果，VLM が画像を認識する時点ではバイアスを持たない可能性があることや，VLM の言語処理部に男性より女性を美しいと判定する強いバイアスを明らかにした．