大規模なビジョン言語モデルにおける偏見の解明 - 反実仮想を用いて

大規模ビジョン言語モデルにおいて、入力画像の人物の人種、性別、身体的特徴が生成されるテキストの毒性や能力に関連する言葉に大きな影響を及ぼすことが明らかになった。