论文页面 - GGSS：用于生成式视觉-语言模型推理时去偏的测地线门控球面转向

来源：https://huggingface.co/papers/2608.25375

摘要

GGSS 通过采用自适应门控沿测地线弧引导视觉令牌，在保持视觉-语言准确性的同时，减少了生成式视觉-语言模型中的人口统计学偏差。

生成式视觉-语言模型（VLMs）在以人为中心的应用中日益普及，但即便图像仅在感知种族或性别等受控属性上存在细微差异，它们也可能产生具有人口统计学偏见的输出。然而，现有的推理时去偏方法主要针对静态嵌入或类 CLIP 模型设计，而非生成式 VLMs（https://huggingface.co/papers?q=generative%20VLMs）。我们提出了 GGSS（https://huggingface.co/papers?q=GGSS）——测地线门控球面转向（https://huggingface.co/papers?q=Geodesic-Gated%20Spherical%20Steering）——这是一种范数保持的干预方法，它在单位超球面（https://huggingface.co/papers?q=unit%20hypersphere）上发现反事实偏见子空间（https://huggingface.co/papers?q=counterfactual%20bias%20subspace），沿测地线弧（https://huggingface.co/papers?q=geodesic%20arcs）引导视觉令牌（https://huggingface.co/papers?q=visual%20tokens），并使用自适应门控（https://huggingface.co/papers?q=adaptive%20gate）将纠重点放在携带更强人口统计学信号的令牌上。我们在单一操作点协议下，针对四个生成式 VLMs（https://huggingface.co/papers?q=generative%20VLMs）评估了十种适配的推理时去偏（https://huggingface.co/papers?q=inference-time%20debiasing）基线方法和基于提示的缓解方法，进行了类别、成对和职业-性别偏差测试，同时测量了通用的视觉-语言能力。GGSS（https://huggingface.co/papers?q=GGSS）在所有四个模型上取得了最低的平均偏差，在四个主干网络中的三个上经配对排列检验显著，同时将 MMStar 准确率保持在未引导基线的 +/- 0.6 百分点内。代码可在 https://github.com/dukesun99/GGSS（https://huggingface.co/papers?q=GGSS）获取。

查看 arXiv 页面 (https://arxiv.org/abs/2608.25375) 查看 PDF (https://arxiv.org/pdf/2608.25375) GitHub1 (https://github.com/dukesun99/GGSS) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.25375)

在你的代理中获取这篇论文：

hf papers read 2608.25375

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

没有模型关联此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.25375 以从此页面链接它。

引用此论文的数据集0

没有数据集关联此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.25375 以从此页面链接它。

引用此论文的空间0

没有空间关联此论文

在空间的 README.md 中引用 arxiv.org/abs/2608.25375 以从此页面链接它。

包含此论文的收藏0

没有收藏包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从此页面链接它。