BioPro：面向视觉语言模型的差异感知性别公平性
人工智能
2025-12-02 v1
摘要
视觉语言模型 (VLM) 从其训练数据中继承了显著的社会偏见，尤其在性别表示方面。当前的公平性干预常采用差异不敏感的视角，通过对人口统计学群体强制执行均等处理。然而，这些方法无法区分 neutrality 需要的情境与必须保留的群体特定属性的情境。基于最近在文本模型上实现差异感知公平性的进展，我们将这一概念扩展到多模态领域，正式化了面向图像字幕和文本到图像生成的差异感知性别公平性问题。我们主张选择性去偏，旨在中性情境中减轻不必要的偏见，同时保留明确情境中的有效区别。为此，我们提出了 BioPro (Bias Orthogonal Projection)，一个完全基于训练的框架。BioPro 通过对比性嵌入识别出低维的性别变化子空间，并应用投影以选择性中和性别相关信息。实验表明，BioPro 在中性情境中有效减小了性别偏见，而在明确情境中保持了性别忠实性，从而为实现 VLM 的选择性公平性提供了有前景的方向。除了性别偏见，我们进一步展示了 BioPro 能有效地针对连续偏差变量（如场景亮度）进行泛化。
引用
@article{arxiv.2512.00807,
title = {BioPro: On Difference-Aware Gender Fairness for Vision-Language Models},
author = {Yujie Lin and Jiayao Ma and Qingguo Hu and Derek F. Wong and Jinsong Su},
journal= {arXiv preprint arXiv:2512.00807},
year = {2025}
}