通过时序编排与多模态推断对抗解释性并直接揭示偏见
人机交互
2023-09-25 v1 机器学习
摘要
深度生成模型依据习得表征生成数据，例如扩散模型，通过近似计算可能样本的过程实现。近似可理解为重构，而用于训练模型的大型数据集则可视为以某种数据结构（照片、音频记录、手稿）表征物理世界的记录集合。在重构过程中，例如图像帧在每个时间步朝着文本输入描述发展。随着时间向前推进，帧集依据习得的偏见被塑造，我们认为其生成可被视为回溯时间；这并非受反向扩散过程的启发，而是承认文化在记录中具有特定印记。生成建模的未来，尤其在电影与视听艺术中，若能将记录视为捕捉特定时刻的视野并关联我们自身有限的记忆理想，便可通过将扩散系统作为必然受制于过去以计算未来的过程而获益。生成新数据分布的模型可将视频制作作为信号处理器，并通过在时间线上发展序列，使我们自己也回溯至数十年前的算法与多轨方法，从而揭示当代运动图像合成方法在构图与不可解释性两方面的实际预测失败。
引用
@article{arxiv.2309.12345,
title = {Antagonising explanation and revealing bias directly through sequencing and multimodal inference},
author = {Luís Arandas and Mick Grierson and Miguel Carvalhais},
journal= {arXiv preprint arXiv:2309.12345},
year = {2023}
}
备注
3 pages, no figures. ACM C&C 23 Workshop paper