О надежности генеративных базовых моделей: руководство, оценка и перспективы

On the Trustworthiness of Generative Foundation Models: Guideline, Assessment, and Perspective

February 20, 2025

Авторы: Yue Huang, Chujie Gao, Siyuan Wu, Haoran Wang, Xiangqi Wang, Yujun Zhou, Yanbo Wang, Jiayi Ye, Jiawen Shi, Qihui Zhang, Yuan Li, Han Bao, Zhaoyi Liu, Tianrui Guan, Dongping Chen, Ruoxi Chen, Kehan Guo, Andy Zou, Bryan Hooi Kuen-Yew, Caiming Xiong, Elias Stengel-Eskin, Hongyang Zhang, Hongzhi Yin, Huan Zhang, Huaxiu Yao, Jaehong Yoon, Jieyu Zhang, Kai Shu, Kaijie Zhu, Ranjay Krishna, Swabha Swayamdipta, Taiwei Shi, Weijia Shi, Xiang Li, Yiwei Li, Yuexing Hao, Yuexing Hao, Zhihao Jia, Zhize Li, Xiuying Chen, Zhengzhong Tu, Xiyang Hu, Tianyi Zhou, Jieyu Zhao, Lichao Sun, Furong Huang, Or Cohen Sasson, Prasanna Sattigeri, Anka Reuel, Max Lamparth, Yue Zhao, Nouha Dziri, Yu Su, Huan Sun, Heng Ji, Chaowei Xiao, Mohit Bansal, Nitesh V. Chawla, Jian Pei, Jianfeng Gao, Michael Backes, Philip S. Yu, Neil Zhenqiang Gong, Pin-Yu Chen, Bo Li, Xiangliang Zhang

cs.AI

Аннотация

Генеративные базовые модели (GenFMs) стали революционным инструментом. Однако их широкое внедрение вызывает серьезные опасения в отношении доверия по различным аспектам. В данной статье представлена комплексная структура для решения этих проблем через три ключевых вклада. Во-первых, мы систематически анализируем глобальные законы и политики в области регулирования ИИ, разработанные правительствами и регулирующими органами, а также отраслевые практики и стандарты. На основе этого анализа мы предлагаем набор руководящих принципов для GenFMs, разработанных в ходе обширного междисциплинарного сотрудничества, объединяющего технические, этические, юридические и социальные перспективы. Во-вторых, мы представляем TrustGen — первую динамическую платформу для бенчмаркинга, предназначенную для оценки доверия по множеству аспектов и типов моделей, включая текстово-изобразительные, крупные языковые и визуально-языковые модели. TrustGen использует модульные компоненты — курацию метаданных, генерацию тестовых случаев и контекстуальные вариации — для обеспечения адаптивных и итеративных оценок, преодолевая ограничения статических методов оценки. С помощью TrustGen мы демонстрируем значительный прогресс в области доверия, одновременно выявляя сохраняющиеся проблемы. Наконец, мы предоставляем углубленное обсуждение вызовов и будущих направлений для создания доверенных GenFMs, раскрывая сложную и развивающуюся природу доверия, подчеркивая тонкие компромиссы между полезностью и доверием, а также учитывая различные приложения, выявляя сохраняющиеся проблемы и предлагая стратегическую дорожную карту для будущих исследований. Эта работа устанавливает целостную структуру для продвижения доверия в генеративном ИИ, прокладывая путь для более безопасной и ответственной интеграции GenFMs в критически важные приложения. Для содействия прогрессу в сообществе мы выпускаем инструментарий для динамической оценки.

English

Generative Foundation Models (GenFMs) have emerged as transformative tools. However, their widespread adoption raises critical concerns regarding trustworthiness across dimensions. This paper presents a comprehensive framework to address these challenges through three key contributions. First, we systematically review global AI governance laws and policies from governments and regulatory bodies, as well as industry practices and standards. Based on this analysis, we propose a set of guiding principles for GenFMs, developed through extensive multidisciplinary collaboration that integrates technical, ethical, legal, and societal perspectives. Second, we introduce TrustGen, the first dynamic benchmarking platform designed to evaluate trustworthiness across multiple dimensions and model types, including text-to-image, large language, and vision-language models. TrustGen leverages modular components--metadata curation, test case generation, and contextual variation--to enable adaptive and iterative assessments, overcoming the limitations of static evaluation methods. Using TrustGen, we reveal significant progress in trustworthiness while identifying persistent challenges. Finally, we provide an in-depth discussion of the challenges and future directions for trustworthy GenFMs, which reveals the complex, evolving nature of trustworthiness, highlighting the nuanced trade-offs between utility and trustworthiness, and consideration for various downstream applications, identifying persistent challenges and providing a strategic roadmap for future research. This work establishes a holistic framework for advancing trustworthiness in GenAI, paving the way for safer and more responsible integration of GenFMs into critical applications. To facilitate advancement in the community, we release the toolkit for dynamic evaluation.