I modelli visione-linguaggio sovrastimano i segnali contestuali nella previsione delle preferenze pubblicitarie cross-mercato

Un recente articolo su arXiv (2608.04504) rivela una modalità di errore nei modelli visione-linguaggio (VLM) denominata Sovrastima delle Variabili Contestuali (CVE). Questo fenomeno si verifica quando i modelli danno priorità a segnali visivi e testuali prominenti, trascurando variabili contestuali cruciali ma poco frequenti. Questo problema è particolarmente evidente nella valutazione delle preferenze per immagini pubblicitarie in diverse regioni geografiche. Ad esempio, quando viene chiesto di scegliere tra due immagini di prodotto progettate per paesi diversi, un VLM tende a produrre una risposta uniforme, ignorando le effettive differenze regionali. Questo errore deriva dal fatto che i segnali dominanti, come le caratteristiche del prodotto e i segmenti densi dell'immagine, sovrastano i pochi token essenziali che rappresentano i contesti di mercato specifici. Per contrastare la CVE, i ricercatori hanno compilato un nuovo dataset multimodale con creatività pubblicitarie reali e i loro tassi di click-through. L'articolo è stato pubblicato su arXiv ed è indicato come una sottomissione di tipo cross.