Core Concepts
혐오 밈 탐지를 인과적 교차성 추정 문제로 정의하고, 주의 할당 점수를 활용하여 모달리티 간 상호작용을 설명하며, 대형 언어 모델의 메타 최적화 과정을 분석한다.
Abstract
이 연구는 혐오 밈 탐지를 인과적 교차성 추정 문제로 정의하고, 주의 할당 점수를 활용하여 모달리티 간 상호작용을 설명하며, 대형 언어 모델의 메타 최적화 과정을 분석한다.
혐오 밈 탐지를 인과적 교차성 추정 문제로 정의하여 데이터 생성 과정에 기반한 성능 평가를 수행한다.
재정의된 인과적 교차성을 도입하여 귀납적 편향을 평가하고, 이를 통해 인구통계학-국적 교차성, 금융 포용성, 임상 진단 등 다양한 문제로 확장할 수 있는 방향을 제시한다.
모달리티 간 상호작용을 고려한 주의 할당 점수가 인과적 효과를 정확하게 설명할 수 있음을 보여주며, 이는 다중 양식 설명 가능성을 위한 새로운 길을 열어준다.
대형 언어 모델의 메타 최적화 과정에 대한 공식적이고 경험적인 분석을 선도한다.
Stats
혐오 밈 데이터셋에는 162개의 혐오 샘플과 162개의 무해한 샘플이 포함되어 있다.
이 중 78개는 이미지 무해, 84개는 텍스트 무해 샘플이다.
나머지 486개 샘플은 누락된 모달리티를 보완하기 위해 임의로 선택된 샘플이다.
Quotes
"인과성은 데이터 생성 과정에 대한 심도 있는 통찰력을 제공하며, 중요한 사회적 함의를 지닌 현상의 복잡한 구조를 드러낸다."
"교차성은 개인의 인구통계학적 특성이 결합되어 나타나는 영향을 평균 처리 효과(ATE)로 정의할 수 있다."
"주의 할당 점수를 모달리티 간 상호작용으로 나누면 인과적 효과를 정확하게 설명할 수 있다."