GGSS：生成式视觉语言模型推理时去偏新方法

生成式视觉-语言模型（VLMs）越来越多地应用于以人为中心的场景，但它们即使在图像仅在受控属性（如感知到的种族或性别）上存在差异时，也可能产生人口统计学偏差的输出。然而，现有的推理时去偏方法主要是为静态嵌入或类似 CLIP 的模型设计的，而非生成式 VLMs。我们提出了 GGSS——测地门控球面引导（Geodesic-Gated Spherical Steering）——一种保持范数的干预方法，它在单位超球面上发现反事实偏差子空间，沿测地线弧引导视觉 token，并使用自适应门控将校正重点放在携带更强人口统计学信号的 token 上。我们在单一操作点协议下，针对分类、成对和职业-性别偏差测试评估了四种生成式 VLMs 与十种改编的推理时去偏基线以及基于提示的缓解方法，同时测量了通用视觉-语言能力。GGSS 在全部四个模型上实现了最低的平均偏差，在配对置换检验中，其中三个模型的偏差具有显著性，同时将 MMStar 准确率保持在未引导基线的 +/- 0.6 个百分点以内。代码可在 https://github.com/dukesun99/GGSS 获取。