arXiv cs.CY· Hanjun Luo, Zhimu Huang, Haoyu Huang, Ziye Deng, Ruizhe Chen, Xinfeng Li, Zuozhu Liu, Hanan Salam·· 11 小时前AI 评分31
BiasIG：面向文生图模型的多维度社会偏见基准测试
BiasIG: Benchmarking Multi-dimensional Social Biases in Text-to-Image Models
AI 导读
BiasIG 是一个覆盖 47,040 条提示词、按 4 个维度拆解社会偏见的文生图模型基准，并配套基于微调多模态大模型的自动化评测流程，对齐准确率接近人类专家。在 8 个 T2I 模型和 3 种去偏方法上的实验显示，对受保护属性的干预常对无关人群产生意外混淆效应，去偏方法则持续表现出歧视倾向而非单纯无知。基准已公开，论文被 IJCNN 2026 接收。
正文 · AI 翻译
摘要：文本到图像（T2I）生成模型彻底改变了内容创作，但它们本身存在放大社会偏见的风险。虽然社会学研究提供了对偏见的系统分类，但现有的 T2I 基准在很大程度上混淆了这些细微差别，或仅狭隘地关注职业刻板印象，导致生成偏见的多维性质未得到充分测量。在本文中，我们提出了 BiasIG，这是一个统一的基准，可在精心整理的 47,040 条提示数据集上量化社会偏见。BiasIG 以社会学和机器伦理框架为基础，在 4 个维度上解耦偏见，以实现细粒度诊断。为促进可扩展且可靠的评估，我们提出了一种由微调的多模态大语言模型驱动的全自动流水线，其对齐准确率可与人类专家相媲美。在 8 个 T2I 模型和 3 种去偏方法上进行的大量实验不仅验证了 BiasIG 作为稳健诊断工具的有效性，还揭示了关键洞见：对受保护属性的干预往往会触发对无关人群的意外混杂效应，而去偏方法表现出一种持续倾向于歧视而非单纯无知的趋势。我们的工作倡导在 AIGC 中采用精确的、基于分类法的公平性方法，为未来闭环缓解中将 BiasIG 的指标用作反馈信号提供了理论框架。该基准已公开提供，见 this https URL。
| Comments: | Accepted by IJCNN 2026 |
| Subjects: | 计算机与社会（cs.CY） |
| Cite as: | arXiv:2604.11934 [cs.CY] |
| （或 arXiv:2604.11934v2 [cs.CY] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2604.11934 由 DataCite 颁发的 arXiv DOI |
Submission history
来自：Hanjun Luo [查看邮箱]
[v1]
2026 年 4 月 13 日星期一 18:22:50 UTC（5,610 KB）
[v2]
2026 年 10 月 15 日星期四 07:32:36 UTC（4,971 KB）
来源：arXiv cs.CY · arxiv.org