ສິ່ງທ້າທາຍ 'ການຈັດປະເພດເຊື້ອຊາດ' ສໍາລັບລະບົບການສັງເຄາະຮູບພາບທີ່ອີງໃສ່ CLIP

ການຄົ້ນຄວ້າໃຫມ່ຈາກສະຫະລັດພົບວ່າຫນຶ່ງໃນແບບຈໍາລອງວິໄສທັດຄອມພິວເຕີທີ່ນິຍົມຢູ່ເບື້ອງຫຼັງຊຸດ DALL-E ທີ່ມີຄວາມນິຍົມຫຼາຍ, ເຊັ່ນດຽວກັນກັບຮູບແບບການສ້າງຮູບພາບແລະການຈັດປະເພດອື່ນໆ, ສະແດງໃຫ້ເຫັນແນວໂນ້ມທີ່ຈະພິສູດໄດ້. hypodescent – ກົດ​ລະ​ບຽບ​ການ​ຈັດ​ປະ​ເພດ​ເຊື້ອ​ຊາດ (ເອີ້ນ​ວ່າ​ຍັງ​ເປັນ​ ກົດ​ລະ​ບຽບ "ຫນຶ່ງ​ຫຼຸດ​ລົງ​"​) ເຊິ່ງຈັດປະເພດບຸກຄົນທີ່ມີຂອບເຂດເລັກນ້ອຍຂອງ 'ປະສົມ' (ເຊັ່ນ: ບໍ່ແມ່ນຄົນຜິວໜັງ) ເຊື້ອສາຍພັນທຸກໍາທັງໝົດເປັນ 'ຊົນເຜົ່າ'.

ນັບຕັ້ງແຕ່ hypodescent ມີ ລັກສະນະ ບາງບົດທີ່ຂີ້ຮ້າຍທີ່ສຸດໃນປະຫວັດສາດຂອງມະນຸດ, ຜູ້ຂຽນຂອງເອກະສານໃຫມ່ແນະນໍາວ່າແນວໂນ້ມດັ່ງກ່າວໃນການຄົ້ນຄວ້າວິໄສທັດຄອມພິວເຕີແລະການປະຕິບັດຄວນຈະໄດ້ຮັບຄວາມສົນໃຈຫຼາຍ, ບໍ່ແມ່ນຢ່າງຫນ້ອຍເພາະວ່າກອບສະຫນັບສະຫນູນໃນຄໍາຖາມ, ດາວໂຫຼດເກືອບຫນຶ່ງລ້ານຄັ້ງຕໍ່ເດືອນ, ສາມາດເຜີຍແຜ່ຕື່ມອີກ. ​ແລະ​ປະກາດ​ອະຄະຕິ​ດ້ານ​ເຊື້ອ​ຊາດ​ໃນ​ຂອບ​ເຂດ​ລຸ່ມ​ນ້ຳ.

ສະຖາປັດຕະຍະກໍາທີ່ກໍາລັງສຶກສາຢູ່ໃນວຽກງານໃຫມ່ແມ່ນ ການຝຶກອົບຮົມຮູບພາບພາສາກົງກັນຂ້າມ (CLIP), ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກ multimodal ທີ່ຮຽນຮູ້ສະມາຄົມ semantic ໂດຍການຝຶກອົບຮົມກ່ຽວກັບຄູ່ຮູບພາບ / ຄໍາບັນຍາຍທີ່ດຶງມາຈາກອິນເຕີເນັດ - ວິທີການເຄິ່ງການຄວບຄຸມທີ່ຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍຢ່າງຫຼວງຫຼາຍຂອງການຕິດສະຫຼາກ, ແຕ່ມີແນວໂນ້ມທີ່ຈະສະທ້ອນໃຫ້ເຫັນຄວາມລໍາອຽງຂອງປະຊາຊົນຜູ້ທີ່. ສ້າງຄຳບັນຍາຍ.

ຈາກເຈ້ຍ:

'ຜົນໄດ້ຮັບຂອງພວກເຮົາໃຫ້ຫຼັກຖານສໍາລັບ hypodescent ໃນຊ່ອງຝັງຕົວ CLIP, ຄວາມລໍາອຽງທີ່ຖືກນໍາໃຊ້ຢ່າງເຂັ້ມແຂງກັບຮູບພາບຂອງແມ່ຍິງ. ຜົນໄດ້ຮັບຊີ້ໃຫ້ເຫັນຕື່ມອີກວ່າ CLIP ເຊື່ອມໂຍງຮູບພາບທີ່ມີປ້າຍຊື່ເຊື້ອຊາດ ຫຼືຊົນເຜົ່າໂດຍອີງໃສ່ຄວາມແຕກຕ່າງຈາກສີຂາວ, ໂດຍມີສີຂາວເປັນຄ່າເລີ່ມຕົ້ນ.

ເອກະສານຍັງພົບວ່າສະມາຄົມ valence ຂອງຮູບພາບ (ມັນມີແນວໂນ້ມທີ່ຈະກ່ຽວຂ້ອງກັບສິ່ງທີ່ 'ດີ' ຫຼື 'ບໍ່ດີ', ໂດຍສະເພາະແມ່ນສູງສໍາລັບປ້າຍເຊື້ອຊາດ 'ຊົນເຜົ່າ' ຫຼາຍກ່ວາປ້າຍຊື່ Caucasian, ແລະແນະນໍາວ່າຄວາມລໍາອຽງຂອງ CLIP ສະທ້ອນໃຫ້ເຫັນເຖິງ corpus ສູນກາງຂອງສະຫະລັດ. ຂອງວັນນະຄະດີ (ພາສາອັງກິດ Wikipedia) ທີ່ກອບການຝຶກອົບຮົມ.

ຄໍາຄິດຄໍາເຫັນກ່ຽວກັບຜົນສະທ້ອນຂອງການສະຫນັບສະຫນູນທີ່ປາກົດຂື້ນຂອງ CLIP ຂອງ hypodescent, ຜູ້ຂຽນກ່າວວ່າ:

'[ໃນ​ບັນ​ດາ​] ການ​ນໍາ​ໃຊ້​ຄັ້ງ​ທໍາ​ອິດ​ຂອງ CLIP ແມ່ນ​ການ​ຝຶກ​ອົບ​ຮົມ​ຮູບ​ແບບ​ການ​ຜະ​ລິດ​ຮູບ​ພາບ​ສູນ​ SLAB. ສະຖາປັດຕະຍະກຳ CLIP ທີ່ໃຫຍ່ກວ່າ, ທີ່ບໍ່ແມ່ນສາທາລະນະໄດ້ຖືກນໍາໃຊ້ໃນການຝຶກອົບຮົມ DALL-E2. ສົມ​ທົບ​ກັບ​ການ​ຄົ້ນ​ພົບ​ຂອງ​ການ​ຄົ້ນ​ຄວ້າ​ໃນ​ປັດ​ຈຸ​ບັນ​, ຄວາມ​ສ່ຽງ​ແລະ​ຂໍ້​ຈໍາ​ກັດ​ທີ່​ອະ​ທິ​ບາຍ​ໃນ​ບັດ DALL-E 2 ຫມາຍ​ເຫດ​ ວ່າມັນ "ຜະລິດຮູບພາບທີ່ມີແນວໂນ້ມທີ່ຈະສະແດງຄົນທີ່ມີສີຂາວເກີນ".

'ການນໍາໃຊ້ດັ່ງກ່າວສະແດງໃຫ້ເຫັນເຖິງທ່າແຮງສໍາລັບຄວາມລໍາອຽງທີ່ຮຽນຮູ້ໂດຍ CLIP ເພື່ອແຜ່ຂະຫຍາຍອອກໄປນອກພື້ນທີ່ຝັງຕົວຂອງຕົວແບບ, ຍ້ອນວ່າຄຸນສົມບັດຂອງມັນຖືກນໍາໃຊ້ເພື່ອນໍາພາການສ້າງຄວາມຫມາຍໃນຮູບແບບ AI ທີ່ທັນສະໄຫມອື່ນໆ.

'ນອກ​ຈາກ​ນັ້ນ, ເນື່ອງ​ຈາກ​ສ່ວນ​ຫນຶ່ງ​ຂອງ​ຄວາມ​ກ້າວ​ຫນ້າ​ທີ່​ໄດ້​ຮັບ​ຮູ້​ໂດຍ CLIP ແລະ​ຮູບ​ແບບ​ທີ່​ຄ້າຍ​ຄື​ກັນ​ສໍາ​ລັບ​ການ​ເຊື່ອມ​ໂຍງ​ຮູບ​ພາບ​ແລະ​ຂໍ້​ຄວາມ​ໃນ​ການ​ຕັ້ງ​ຄ່າ​ສູນ​, ສະ​ຖາ​ປັດ​ຕະ multimodal ໄດ້​ຮັບ​ການ​. ອະທິບາຍ ເປັນພື້ນຖານສໍາລັບອະນາຄົດຂອງຄໍາຮ້ອງສະຫມັກອິນເຕີເນັດທີ່ໃຊ້ຢ່າງກວ້າງຂວາງ, ລວມທັງເຄື່ອງຈັກຊອກຫາ.

'ຜົນໄດ້ຮັບຂອງພວກເຮົາຊີ້ໃຫ້ເຫັນວ່າຄວາມສົນໃຈເພີ່ມເຕີມຕໍ່ກັບສິ່ງທີ່ຕົວແບບດັ່ງກ່າວຮຽນຮູ້ຈາກການຊີ້ນໍາພາສາທໍາມະຊາດແມ່ນຮັບປະກັນ.'

ໄດ້ ເຈ້ຍ ແມ່ນຫົວຂໍ້ ຫຼັກຖານສໍາລັບ Hypodescent ໃນ Visual Semantic AI, ແລະມາຈາກສາມນັກຄົ້ນຄວ້າທີ່ມະຫາວິທະຍາໄລວໍຊິງຕັນແລະມະຫາວິທະຍາໄລ Harvard.

CLIP ແລະອິດທິພົນທີ່ບໍ່ດີ

ເຖິງແມ່ນວ່ານັກຄົ້ນຄວ້າໄດ້ຢືນຢັນວ່າວຽກງານຂອງພວກເຂົາແມ່ນການວິເຄາະຄັ້ງທໍາອິດຂອງ hypodescent ໃນ CLIP, ວຽກງານທີ່ຜ່ານມາໄດ້ສະແດງໃຫ້ເຫັນວ່າຂະບວນການເຮັດວຽກຂອງ CLIP, ແມ່ນຂຶ້ນກັບການຝຶກອົບຮົມທີ່ບໍ່ໄດ້ຮັບການເບິ່ງແຍງສ່ວນໃຫຍ່ຈາກ. ບໍ່​ມີ​ການ​ຄັດ​ເລືອກ​ ຂໍ້​ມູນ​ທີ່​ມາ​ຈາກ​ເວັບ​ໄຊ​ຕ​໌​, ຜູ້​ຍິງ​ຕ່ຳ​ກວ່າ​ຕົວ​ແທນ, ສາມາດຜະລິດ ເນື້ອຫາທີ່ ໜ້າ ລັງກຽດ, ແລະ​ສາ​ມາດ​ສະ​ແດງ​ໃຫ້​ເຫັນ​ ອະຄະຕິ semantic (ເຊັ່ນ: ຄວາມຮູ້ສຶກຕໍ່ຕ້ານຊາວມຸດສະລິມ) ໃນຕົວເຂົ້າລະຫັດຮູບພາບຂອງມັນ.

ເອກະສານຕົ້ນສະບັບທີ່ນໍາສະເຫນີ CLIP ຍອມຮັບວ່າໃນການຕັ້ງຄ່າສູນ, CLIP ມີສ່ວນຮ່ວມພຽງແຕ່ 58.3% ຂອງປະຊາຊົນທີ່ມີປ້າຍເຊື້ອຊາດສີຂາວໃນ. FairFace ຊຸດຂໍ້ມູນ. ສັງເກດເຫັນວ່າ FairFace ໄດ້ຖືກຕິດສະຫຼາກດ້ວຍຄວາມລໍາອຽງທີ່ເປັນໄປໄດ້ໂດຍພະນັກງານ Amazon Mechanical Turk, ຜູ້ຂຽນຂອງເອກະສານໃຫມ່ກ່າວວ່າ 'ປະຊາຊົນສ່ວນນ້ອຍຢ່າງຫຼວງຫຼາຍທີ່ຖືກຮັບຮູ້ໂດຍມະນຸດອື່ນໆວ່າເປັນສີຂາວແມ່ນກ່ຽວຂ້ອງກັບເຊື້ອຊາດອື່ນທີ່ບໍ່ແມ່ນສີຂາວໂດຍ CLIP.'

ພວກເຂົາເຈົ້າສືບຕໍ່:

'ການປີ້ນກັບກັນບໍ່ປະກົດວ່າເປັນຄວາມຈິງ, ເນື່ອງຈາກບຸກຄົນທີ່ຖືກຮັບຮູ້ວ່າເປັນຂອງປ້າຍເຊື້ອຊາດ ຫຼືຊົນເຜົ່າອື່ນໆໃນຊຸດຂໍ້ມູນ FairFace ແມ່ນກ່ຽວຂ້ອງກັບປ້າຍຊື່ເຫຼົ່ານັ້ນໂດຍ CLIP. ຜົນໄດ້ຮັບນີ້ຊີ້ໃຫ້ເຫັນຄວາມເປັນໄປໄດ້ທີ່ CLIP ໄດ້ຮຽນຮູ້ກົດລະບຽບຂອງ "hypodescent," ດັ່ງທີ່ນັກວິທະຍາສາດສັງຄົມໄດ້ອະທິບາຍ: ບຸກຄົນທີ່ມີເຊື້ອສາຍຫຼາຍເຊື້ອຊາດມີແນວໂນ້ມທີ່ຈະໄດ້ຮັບການຮັບຮູ້ແລະຈັດປະເພດວ່າເປັນຊົນເຜົ່າສ່ວນນ້ອຍຫຼືກຸ່ມພໍ່ແມ່ທີ່ມີຜົນປະໂຫຍດຫນ້ອຍກວ່າຄົນສ່ວນໃຫຍ່ທີ່ຖືກຕ້ອງຕາມກົດຫມາຍເທົ່າທຽມກັນ. ຫຼືກຸ່ມພໍ່ແມ່ທີ່ໄດ້ປຽບ.

'ໃນຄໍາສັບຕ່າງໆອື່ນໆ, ເດັກນ້ອຍຂອງພໍ່ແມ່ສີດໍາແລະສີຂາວໄດ້ຖືກຮັບຮູ້ວ່າເປັນສີດໍາຫຼາຍກ່ວາສີຂາວ; ແລະເດັກນ້ອຍຂອງພໍ່ແມ່ຊາວເອເຊຍແລະສີຂາວໄດ້ຖືກຮັບຮູ້ວ່າເປັນຊາວເອເຊຍຫຼາຍກ່ວາສີຂາວ.'

ເອກະສານດັ່ງກ່າວມີສາມຜົນທີ່ຄົ້ນພົບ: ຫຼັກຖານ CLIP ສະແດງໃຫ້ເຫັນເຖິງການເປັນເດັກນ້ອຍ, ໂດຍ 'ການລ້ຽງ' ຄົນທີ່ມີຕົວຕົນຫຼາຍເຊື້ອຊາດເຂົ້າໄປໃນຊົນເຜົ່າສ່ວນນ້ອຍທີ່ປະກອບສ່ວນໃນປະເພດເຊື້ອຊາດທີ່ນໍາໃຊ້ກັບພວກເຂົາ; ວ່າ 'ສີຂາວແມ່ນເຊື້ອຊາດເລີ່ມຕົ້ນໃນ CLIP', ແລະເຊື້ອຊາດທີ່ແຂ່ງຂັນແມ່ນຖືກກໍານົດໂດຍ ' deviation' ຂອງເຂົາເຈົ້າຈາກປະເພດສີຂາວ; ແລະ​ນັ້ນ valence bias (ການເຊື່ອມໂຍງກັບແນວຄວາມຄິດ 'ບໍ່ດີ') ກ່ຽວຂ້ອງກັບຂອບເຂດທີ່ບຸກຄົນຖືກຈັດປະເພດເປັນຊົນເຜົ່າສ່ວນນ້ອຍ.

ວິທີການແລະຂໍ້ມູນ

ເພື່ອກໍານົດວິທີການທີ່ CLIP ປະຕິບັດຕໍ່ຫົວຂໍ້ຫຼາຍເຊື້ອຊາດ, ນັກຄົ້ນຄວ້າໄດ້ນໍາໃຊ້ a ໄດ້ຮັບຮອງເອົາກ່ອນໜ້ານີ້ ເຕັກນິກການ morphing ເພື່ອປ່ຽນແປງເຊື້ອຊາດຂອງຮູບພາບຂອງບຸກຄົນ. ຮູບ​ພາບ​ໄດ້​ຮັບ​ການ​ຖ່າຍ​ຈາກ​ ຖານຂໍ້ມູນໃບຫນ້າ Chicago, ຊຸດທີ່ພັດທະນາສໍາລັບການສຶກສາທາງດ້ານຈິດໃຈທີ່ກ່ຽວຂ້ອງກັບເຊື້ອຊາດ.

ຕົວຢ່າງຈາກຮູບພາບ CFD ທີ່ມີຮູບແບບເຊື້ອຊາດທີ່ສະແດງຢູ່ໃນເອກະສານເສີມຂອງເຈ້ຍໃຫມ່. ສource: https://arxiv.org/pdf/2205.10764.pdf

ນັກຄົ້ນຄວ້າໄດ້ເລືອກພຽງແຕ່ຮູບພາບ 'ການສະແດງອອກທີ່ເປັນກາງ' ຈາກຊຸດຂໍ້ມູນ, ເພື່ອໃຫ້ສອດຄ່ອງກັບວຽກງານທີ່ຜ່ານມາ. ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ເຄືອຂ່າຍ Adversarial ທົ່ວໄປ StyleGAN2-ADA (ຝຶກອົບຮົມຢູ່ FFHQ) ເພື່ອບັນລຸການປ່ຽນເຊື້ອຊາດຂອງຮູບພາບໃບຫນ້າ, ແລະສ້າງຮູບພາບ interstitial ທີ່ສະແດງໃຫ້ເຫັນຄວາມກ້າວຫນ້າຈາກເຊື້ອຊາດຫນຶ່ງໄປອີກ (ເບິ່ງຮູບຕົວຢ່າງຂ້າງເທິງ).

ສອດຄ່ອງກັບວຽກງານທີ່ຜ່ານມາ, ນັກຄົ້ນຄວ້າໄດ້ morphed ໃບຫນ້າຂອງບຸກຄົນທີ່ກໍານົດຕົນເອງເປັນສີດໍາ, ອາຊີແລະລາຕິນໃນຊຸດຂໍ້ມູນເຂົ້າໄປໃນໃບຫນ້າຂອງຜູ້ທີ່ຕິດສະຫຼາກຕົນເອງເປັນສີຂາວ. ເກົ້າໄລຍະກາງແມ່ນຜະລິດຢູ່ໃນຂະບວນການ. ໃນຈໍານວນທັງຫມົດ, 21,000 ຮູບພາບ 1024x1024px ໄດ້ຖືກສ້າງຂື້ນສໍາລັບໂຄງການໂດຍວິທີການນີ້.

ຫຼັງຈາກນັ້ນ, ນັກຄົ້ນຄວ້າໄດ້ຮັບຮູບພາບທີ່ຄາດຄະເນໄວ້ສໍາລັບ CLIP ສໍາລັບແຕ່ລະຮູບພາບທັງຫມົດ 21 ໃນແຕ່ລະຊຸດ morph ເຊື້ອຊາດ. ຫຼັງຈາກນີ້, ເຂົາເຈົ້າໄດ້ຂໍປ້າຍສຳລັບແຕ່ລະຮູບຈາກ CLIP: 'multiracial', 'biracial', 'mixed race', ແລະ 'person' (ປ້າຍຊື່ສຸດທ້າຍທີ່ຍົກເວັ້ນເຊື້ອຊາດ).

ລຸ້ນຂອງ CLIP ທີ່ໃຊ້ແມ່ນ CLIP-ViT-Base-Patch32 ການຈັດຕັ້ງປະຕິບັດ. ຜູ້ຂຽນສັງເກດເຫັນວ່າຮູບແບບນີ້ໄດ້ຖືກດາວໂຫຼດຫຼາຍກວ່າຫນຶ່ງລ້ານຄັ້ງໃນເດືອນກ່ອນການຂຽນການຄົ້ນຄວ້າຂອງພວກເຂົາ, ແລະກວມເອົາ 98% ຂອງການດາວໂຫຼດຂອງຮູບແບບ CLIP ໃດໆຈາກ. ຫໍສະໝຸດ Transformers.

ການທົດສອບ

ເພື່ອທົດສອບຄວາມເປັນໄປໄດ້ຂອງ CLIP ໄປສູ່ການເກີດລູກອ່ອນ, ນັກຄົ້ນຄວ້າໄດ້ສັງເກດເຫັນປ້າຍເຊື້ອຊາດທີ່ຖືກມອບໝາຍໂດຍ CLIP ໃຫ້ກັບແຕ່ລະຮູບໃນ gradient ຂອງຮູບພາບທີ່ມີຮູບຊົງສຳລັບແຕ່ລະຄົນ.

ອີງຕາມການຄົ້ນພົບ, CLIP ມີແນວໂນ້ມທີ່ຈະຈັດກຸ່ມຄົນຢູ່ໃນປະເພດ 'ຊົນເຜົ່າສ່ວນນ້ອຍ' ຢູ່ທີ່ປະມານ 50%.

ໃນອັດຕາສ່ວນການປະສົມ 50%, ບ່ອນທີ່ຫົວຂໍ້ແມ່ນເຊື້ອຊາດຕົ້ນກໍາເນີດ / ເປົ້າຫມາຍທີ່ເທົ່າທຽມກັນ, CLIP ສົມທົບກັບຈໍານວນ 1000 ຮູບເພດຍິງທີ່ມີ morphed ສູງກວ່າກັບ Asian (89.1%), Latina (75.8%) ແລະສີດໍາ (69.7%) ຫຼາຍກວ່າປ້າຍທຽບເທົ່າ. ປ້າຍສີຂາວ.

ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນວ່າຫົວຂໍ້ເພດຍິງມີແນວໂນ້ມທີ່ຈະ hypodescent ພາຍໃຕ້ CLIP ຫຼາຍກ່ວາຜູ້ຊາຍ, ເຖິງແມ່ນວ່າຜູ້ຂຽນໄດ້ສົມມຸດຕິຖານວ່ານີ້ອາດຈະເປັນຍ້ອນວ່າປ້າຍທີ່ມາຈາກເວັບແລະ uncurated ທີ່ມີລັກສະນະຮູບພາບຂອງແມ່ຍິງມັກຈະເນັ້ນຫນັກໃສ່ຮູບລັກສະນະຂອງຫົວຂໍ້ຫຼາຍກ່ວາໃນກໍລະນີຂອງຜູ້ຊາຍ, ແລະວ່ານີ້ອາດຈະມີຜົນກະທົບ skwing.

Hypodescent ຢູ່ທີ່ 50% ຂອງການປ່ຽນເຊື້ອຊາດບໍ່ໄດ້ຖືກສັງເກດເຫັນສໍາລັບຊຸດ morph ຊາຍອາຊີ - ສີຂາວຫຼືລາຕິນ - ສີຂາວ, ໃນຂະນະທີ່ CLIP ມອບຄວາມຄ້າຍຄືກັນຂອງ cosine ສູງກວ່າກັບປ້າຍສີດໍາໃນ 67.5% ຂອງກໍລະນີໃນອັດຕາສ່ວນປະສົມ 55%.

ຄວາມຄ້າຍຄືກັນຂອງ cosine ສະເລ່ຍຂອງປ້າຍກຳກັບ Multiracial, Biracial ແລະ Mixed Race. ຜົນໄດ້ຮັບຊີ້ໃຫ້ເຫັນວ່າ CLIP ປະຕິບັດການແບ່ງປະເພດ 'ແຫຼ່ງນ້ໍາ' ໃນອັດຕາສ່ວນທີ່ແຕກຕ່າງກັນຂອງການປະສົມເຊື້ອຊາດ, ຫນ້ອຍມັກຈະກໍານົດການປະສົມເຊື້ອຊາດດັ່ງກ່າວເປັນສີຂາວ ('ຄົນ', ໃນເຫດຜົນຂອງການທົດລອງ) ກ່ວາຊົນເຜົ່າທີ່ໄດ້ຮັບການຮັບຮູ້ໃນ. ຮູບພາບ.

ຈຸດປະສົງທີ່ເຫມາະສົມ, ອີງຕາມເອກະສານ, ແມ່ນວ່າ CLIP ຈະຈັດປະເພດການປະສົມເຊື້ອຊາດລະດັບປານກາງຢ່າງຖືກຕ້ອງເປັນ 'ເຊື້ອຊາດປະສົມ', ແທນທີ່ຈະກໍານົດ 'ຈຸດປາຍ' ທີ່ຫົວຂໍ້ຖືກສົ່ງເລື້ອຍໆໄປຫາປ້າຍທີ່ບໍ່ແມ່ນສີຂາວ.

ໃນລະດັບໃດຫນຶ່ງ, CLIP ກໍານົດຂັ້ນຕອນ morph ລະດັບປານກາງກັບເຊື້ອຊາດປະສົມ (ເບິ່ງເສັ້ນສະແດງຂ້າງເທິງ), ແຕ່ໃນທີ່ສຸດສະແດງໃຫ້ເຫັນຄວາມມັກລະດັບກາງເພື່ອຈັດປະເພດວິຊາທີ່ເປັນຊົນເຜົ່າສ່ວນນ້ອຍຂອງພວກເຂົາ.

ໃນແງ່ຂອງ valence, ຜູ້ຂຽນສັງເກດເຫັນການຕັດສິນຂອງ CLIP skewed:

'[ຫມາຍຄວາມວ່າ] ສະມາຄົມ valence (ການເຊື່ອມໂຍງກັບບໍ່ດີຫຼືບໍ່ພໍໃຈກັບດີຫຼືສຸກ) ແຕກຕ່າງກັນກັບອັດຕາສ່ວນການປະສົມໃນໄລຍະຊຸດ morph ຂອງຜູ້ຊາຍສີດໍາ - ຂາວ, ເຊັ່ນວ່າ CLIP ເຂົ້າລະຫັດສະມາຄົມກັບຄວາມບໍ່ພໍໃຈສໍາລັບໃບຫນ້າທີ່ຄ້າຍຄືກັບອາສາສະຫມັກ CFD ທີ່ຕົນເອງ. - ກໍາ​ນົດ​ເປັນ​ສີ​ດໍາ​.

ຜົນໄດ້ຮັບຂອງ valence - ການທົດສອບສະແດງໃຫ້ເຫັນວ່າຊົນເຜົ່າສ່ວນນ້ອຍມີຄວາມກ່ຽວຂ້ອງກັບແນວຄວາມຄິດທາງລົບໃນສະຖາປັດຕະຍະພາບ / ຄູ່ຫຼາຍກ່ວາຫົວຂໍ້ທີ່ມີປ້າຍສີຂາວ. ຜູ້ຂຽນຢືນຢັນວ່າສະມາຄົມຄວາມບໍ່ພໍໃຈຂອງຮູບພາບເພີ່ມຂຶ້ນກັບຄວາມເປັນໄປໄດ້ທີ່ຕົວແບບເຊື່ອມໂຍງຮູບພາບກັບປ້າຍສີດໍາ.

ເອກະສານກ່າວວ່າ:

'ຫຼັກຖານສະແດງວ່າ valence ຂອງຮູບພາບທີ່ກ່ຽວຂ້ອງກັບເຊື້ອຊາດ [ສະມາຄົມ]. ຊັດເຈນກວ່ານັ້ນ, ຜົນໄດ້ຮັບຂອງພວກເຮົາຊີ້ໃຫ້ເຫັນວ່າຕົວແບບທີ່ແນ່ນອນຫຼາຍແມ່ນຮູບພາບທີ່ສະທ້ອນເຖິງບຸກຄົນສີດໍາ, ຄວາມກ່ຽວຂ້ອງກັບພື້ນທີ່ຝັງດິນທີ່ບໍ່ຫນ້າພໍໃຈຂອງຮູບພາບແມ່ນຫຼາຍຂຶ້ນ.'

​ເຖິງ​ຢ່າງ​ໃດ​ກໍ​ຕາມ, ໝາກຜົນ​ດັ່ງກ່າວ​ຍັງ​ຊີ້​ໃຫ້​ເຫັນ​ເຖິງ​ຄວາມ​ສຳພັນ​ທາງ​ລົບ​ໃນ​ກໍລະນີ​ຂອງ​ຊາວ​ອາຊີ. ຜູ້ຂຽນແນະນໍາວ່ານີ້ອາດຈະເປັນຍ້ອນ pass-through (ຜ່ານຂໍ້ມູນເວັບໄຊຕ໌) ຂອງການຮັບຮູ້ວັດທະນະທໍາສະຫະລັດໃນທາງບວກຂອງປະຊາຊົນອາຊີແລະຊຸມຊົນ. ຜູ້​ຂຽນ​ກ່າວ​ວ່າ *:

'ການສັງເກດຄວາມກ່ຽວຂ້ອງກັນລະຫວ່າງຄວາມໜ້າພໍໃຈ ແລະຄວາມເປັນໄປໄດ້ຂອງປ້າຍຂໍ້ຄວາມອາຊີອາດກົງກັບແບບຈຳລອງ "ຊົນເຜົ່າສ່ວນໜ້ອຍ", ເຊິ່ງຄົນໃນເຊື້ອສາຍອາຊີໄດ້ຮັບການຍົກຍ້ອງສຳລັບການເຄື່ອນໄຫວທີ່ສູງຂື້ນ ແລະການເຊື່ອມຕົວເຂົ້າກັບວັດທະນະທຳອາເມລິກາ, ແລະແມ່ນແຕ່. ກ່ຽວຂ້ອງກັບ "ພຶດຕິກໍາທີ່ດີ".'

ກ່ຽວກັບຈຸດປະສົງສຸດທ້າຍ, ເພື່ອກວດເບິ່ງວ່າສີຂາວແມ່ນ 'ຕົວຕົນເລີ່ມຕົ້ນ' ຈາກທັດສະນະຂອງ CLIP, ຜົນໄດ້ຮັບຊີ້ໃຫ້ເຫັນເຖິງຂົ້ວທີ່ຖືກຝັງໄວ້, ແນະນໍາວ່າພາຍໃຕ້ສະຖາປັດຕະຍະກໍານີ້, ມັນເປັນການຍາກທີ່ຈະເປັນ "ສີຂາວເລັກນ້ອຍ".

ຄວາມຄ້າຍຄືກັນຂອງ Cosine ໃນທົ່ວ 21,000 ຮູບພາບທີ່ສ້າງຂຶ້ນສໍາລັບການທົດສອບ.

ຜູ້ຂຽນຄໍາເຫັນ:

'ຫຼັກຖານສະແດງວ່າ CLIP ເຂົ້າລະຫັດສີຂາວເປັນເຊື້ອຊາດເລີ່ມຕົ້ນ. ອັນນີ້ແມ່ນໄດ້ຮັບການສະຫນັບສະຫນູນໂດຍການພົວພັນທີ່ເຂັ້ມແຂງລະຫວ່າງຄວາມຄ້າຍຄືກັນຂອງ cosine ສີຂາວແລະຄວາມຄ້າຍຄືກັນຂອງ cosine ຂອງຄົນຫຼາຍກວ່າຊົນເຜົ່າຫຼືຊົນເຜົ່າອື່ນໆ.'

*ການ​ປ່ຽນ​ແປງ​ຂອງ​ຂ້າ​ພະ​ເຈົ້າ​ຂອງ​ການ​ອ້າງ​ອີງ inline ຂອງ​ຜູ້​ຂຽນ​ເປັນ hyperlinks​.

ພິມຄັ້ງທຳອິດໃນວັນທີ 24 ພຶດສະພາ 2022.