面向公平无伤害的偏差缓解基准测试：从视觉到大型视觉语言模型
计算机视觉与模式识别
2026-02-05 v1 机器学习
摘要
在真实数据上训练的机器学习模型常会继承并放大对特定社会群体的偏见，这引发了对其大规模部署的紧迫关注。尽管已提出诸多偏差缓解方法，但由于数据异构、公平性度量不一致、视觉模型与多模态模型评估孤立，以及缺乏充分的超参数调优，导致难以比较各方法的有效性。我们引入 NH-Fair，一个涵盖视觉模型和大型视觉语言模型（LVLMs）的统一公平无伤害基准测试，采用标准化数据、度量和训练协议，覆盖监督和零样本两种情形。我们的主要贡献包括：（1）系统性的 ERM 调优研究，识别影响实用性和差异的训练选择，提供实证依据的指南，帮助实践者减少昂贵的超参数调优空间，以实现优异的公平性和准确性；（2）证据表明，许多去偏方法并不稳定地优于经过良好调优的 ERM 基线，而一种复合数据增强方法持续实现公平性提升且不牺牲实用性，成为一种有前景的实用策略；（3）分析表明，尽管 LVLMs 在平均准确率上取得更好成绩，但仍存在子群差异，规模化带来的收益通常小于架构或训练协议选择的收益。NH-Fair 提供了一个可复现、调优感知的管道，用于严谨且无伤害的公平性评估。
引用
@article{arxiv.2602.03895,
title = {Benchmarking Bias Mitigation Toward Fairness Without Harm from Vision to LVLMs},
author = {Xuwei Tan and Ziyu Hu and Xueru Zhang},
journal= {arXiv preprint arXiv:2602.03895},
year = {2026}
}
备注
Accepted at ICLR 26