CLAP과 같은 오디오-언어 임베딩 모델은 현재 소리 이벤트를 매칭하는 데 주로 평가되지만, 부정적 표현에 대한 평가는 거의 이루어지지 않았습니다. 연구 결과, 이러한 모델은 부정된 소리 개념을 인코딩하는 데 실패하며, 긍정적 및 부정적 캡션을 거의 동일한 표현으로 매핑합니다. NegEval-Audio 프레임워크를 통해 모델이 현재와 부재하는 이벤트의 차이를 구별하는지 확인했습니다.
AudioCaps 및 Clotho 데이터셋에서 부정적 표현에 대한 평가는 급격히 저하되었으며, 부정 유형 MCQ 정확도는 무작위 추측보다 훨씬 낮았습니다. 최근 멀티모달 LLM 기반 임베딩 모델에서도 이러한 현상이 지속되었습니다. 훈련 없이 부정적 표현을 조작하는 방법은 MCQ-Neg 성능을 약간 개선했지만, Retrieval-Neg 성능은 미미했습니다.
연구 결과, 긍정 편향은 표현 기하학의 근본적인 결함이며, 명시적인 부정 인식 훈련 목표가 필요함을 시사합니다.