15

10:14 - 10:45

失敗モード:再現率の見逃しとモダリティ間ハルシネーションのリスク

この章では、ルーターが「改善が必要な画像」を見逃す失敗を扱います。発表者は、画像に写る数と説明文の数が合わない例を使って、再現率と忠実さがなぜ重要かを説明しています。

再現率の見逃しとは

ここでいう再現率の見逃し(recall miss)とは、本来は問題があるため捕捉し、適切な処理へ送るべき画像を、ルーターが合格として通してしまうことです。再現率は、捕捉すべきケースのうち、実際に捕捉できた割合です。そのため、見逃しが起きると、後の改善処理に進む前の段階で問題が残ります。

六個の手羽先と八個という説明

発表者の例では、画像には鶏の手羽先が六個しか見えていません。しかし、画像に付いた説明文には「八個の手羽先」と書かれています。ルーターはこの組み合わせを合格として、画像を改善処理へ送ることを許可します。つまり、画像と説明の不一致を検出できていません。

図:「Routing Failures: Recall Miss」と題されたスライドです。六個の手羽先の画像と、八個の料理説明が並び、料理との一致は合格として表示されています。

この資料は、見た目がそれらしくても、画像内の実際の内容と説明文が一致するとは限らないことを示します。スライドでは、六個しかない画像に対して「8 pieces」という説明が合格になっています。したがって、これは単なる画質の問題ではなく、ルーティング時の内容確認の失敗です。

二つのモダリティを照合する

画像と説明文は、異なるモダリティ(modality)です。画像は実際に見える内容を、説明文やメタデータは期待される内容を表します。どちらか一方だけを評価すると、画像が自然に見えるか、説明文が正しい形式かは確認できても、両者が同じ料理を指しているかは分かりません。ルーターは、画像に何が写っているかと、説明やメタデータが何を要求しているかを照合する必要があります。

編集が二個を「足して」しまう危険

この見逃しの後で編集モデルが画像を改善すると、説明文の「八個」に合わせようとして、見えていなかった手羽先を二個追加する可能性があります。これは、モデルが観測していない内容を作るクロスモーダル・ハルシネーション(cross-modal hallucination)のリスクです。画像をきれいにする処理でも、テキストに合わせるために新しい内容を作れば、元の画像への忠実さ(faithfulness)を失います。

画質の改善と内容の正しさは別です

この例で大切なのは、見栄えの良さと内容の正しさを分けることです。色や構図が自然で、魅力的な画像になっても、料理の個数が実際と違えば正しい画像とはいえません。逆に、元の画像に忠実であることは、単に画素の違いが小さいことではありません。料理の種類、個数、見えている要素を勝手に変えないことも忠実さの一部です。

再現率の指標と忠実さの指標を分けて見る

再現率の見逃しは、ルーターが問題のある画像を捕捉できなかった失敗です。その画像が後で二個の手羽先を追加された場合、編集結果の忠実さにも失敗します。つまり、前者は「どの処理へ送るべきだったか」というルーティングの問題で、後者は「編集後の内容が元の画像と説明に忠実か」という生成結果の問題です。同じ例の中で起きますが、別の評価として記録します。

本番での教訓

  • ルーターは、画像だけでなく説明文やメタデータも使って判断します。
  • 画像とテキストが食い違うときは、見た目が良くても改善処理へ安全に進めません。
  • 不確かな内容を編集モデルに補わせるのではなく、再現率と忠実さの両方を評価して、問題を早く止めます。
100% スペースキーとドラッグで移動 | Ctrl/Cmdとホイールで拡大縮小