Fugu-MT 論文翻訳(概要): MoESD: Mixture of Experts Stable Diffusion to Mitigate Gender Bias

論文の概要: MoESD: Mixture of Experts Stable Diffusion to Mitigate Gender Bias

arxiv url: http://arxiv.org/abs/2407.11002v1
Date: Tue, 25 Jun 2024 14:59:31 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 12:39:32.128211
Title: MoESD: Mixture of Experts Stable Diffusion to Mitigate Gender Bias
Title（参考訳）: MoESD:ジェンダーバイアスを緩和する専門家の拡散を安定させる
Authors: Guorun Wang, Lucia Specia,
Abstract要約: このバイアスはすでにモデルのテキストエンコーダに存在していることを示す。性別バイアスを軽減するため,BiAs (Bias Adapters) を用いたMOESD (Mixture of Experts Stable Diffusion) を提案する。
参考スコア（独自算出の注目度）: 23.10522891268232
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Text-to-image models are known to propagate social biases. For example when prompted to generate images of people in certain professions, these models tend to systematically generate specific genders or ethnicity. In this paper, we show that this bias is already present in the text encoder of the model and introduce a Mixture-of-Experts approach by identifying text-encoded bias in the latent space and then creating a bias-identification gate. More specifically, we propose MoESD (Mixture of Experts Stable Diffusion) with BiAs (Bias Adapters) to mitigate gender bias. We also demonstrate that a special token is essential during the mitigation process. With experiments focusing on gender bias, we demonstrate that our approach successfully mitigates gender bias while maintaining image quality.
Abstract（参考訳）: テキスト・ツー・イメージのモデルは、社会的偏見を伝播させることで知られている。例えば、特定の職業の人々のイメージを生成するように促された場合、これらのモデルは、特定の性別や民族を体系的に生成する傾向がある。本稿では,このバイアスがモデルのテキストエンコーダに存在することを示し,テキストエンコーダの潜在空間におけるバイアスを特定し,バイアス識別ゲートを作成することで,Mixture-of-Expertsアプローチを導入する。具体的には,BiAs (Bias Adapters) を用いたMoESD (Mixture of Experts Stable Diffusion) を提案する。また、緩和プロセスにおいて特別なトークンが不可欠であることを示す。性別バイアスに着目した実験により, 画像品質を維持しながら, 性別バイアスを緩和できることが実証された。

関連論文リスト

GenderBias-\emph{VL}: Benchmarking Gender Bias in Vision Language Models via Counterfactual Probing [72.0343083866144]
本稿では,GenderBias-emphVLベンチマークを用いて,大規模視覚言語モデルにおける職業関連性バイアスの評価を行う。ベンチマークを用いて15のオープンソースLVLMと最先端の商用APIを広範囲に評価した。既存のLVLMでは男女差が広くみられた。
論文参考訳（メタデータ） (2024-06-30T05:55:15Z)
DiFair: A Benchmark for Disentangled Assessment of Gender Knowledge and Bias [13.928591341824248]
事前訓練された言語モデルでよく見られる性別バイアスを軽減するために、デバイアス技術が提案されている。これらはしばしば、予測においてモデルが性中立である範囲をチェックするデータセットで評価される。この評価プロトコルは、バイアス緩和が有意義なジェンダー知識に悪影響を及ぼす可能性を見落としている。
論文参考訳（メタデータ） (2023-10-22T15:27:16Z)
VisoGender: A dataset for benchmarking gender bias in image-text pronoun resolution [80.57383975987676]
VisoGenderは、視覚言語モデルで性別バイアスをベンチマークするための新しいデータセットである。 We focus to occupation-related biases in a hegemonic system of binary gender, inspired by Winograd and Winogender schemas。我々は、最先端の視覚言語モデルをいくつかベンチマークし、それらが複雑な場面における二項性解消のバイアスを示すことを発見した。
論文参考訳（メタデータ） (2023-06-21T17:59:51Z)
Balancing the Picture: Debiasing Vision-Language Datasets with Synthetic Contrast Sets [52.77024349608834]
視覚言語モデルは、インターネットから未計算の画像テキストペアの事前トレーニング中に学んだ社会的バイアスを永続し、増幅することができる。 COCO Captionsは、背景コンテキストとその場にいる人々の性別間のバイアスを評価するために最も一般的に使用されるデータセットである。本研究では,COCOデータセットを男女バランスの取れたコントラストセットで拡張する新しいデータセットデバイアスパイプラインを提案する。
論文参考訳（メタデータ） (2023-05-24T17:59:18Z)
Model-Agnostic Gender Debiased Image Captioning [29.640940966944697]
イメージキャプションモデルは、トレーニングセットにおける有害な社会的バイアスを永続化し、増幅することが知られている。我々は、合成バイアスされたサンプルから学習し、両方のバイアスを減少させるLIBRAというフレームワークを提案する。
論文参考訳（メタデータ） (2023-04-07T15:30:49Z)
Auditing Gender Presentation Differences in Text-to-Image Models [54.16959473093973]
我々は、テキスト・ツー・イメージ・モデルにおいて、ジェンダーがどのように異なる形で提示されるかを研究する。入力テキスト中の性指標を探索することにより、プレゼンテーション中心属性の周波数差を定量化する。このような違いを推定する自動手法を提案する。
論文参考訳（メタデータ） (2023-02-07T18:52:22Z)
Gender Stereotyping Impact in Facial Expression Recognition [1.5340540198612824]
近年,機械学習に基づくモデルが表情認識(FER)における最も一般的なアプローチとなっている。公開可能なFERデータセットでは、見かけ上の性別表現は概ねバランスが取れているが、個々のラベルでの性別表現はそうではない。我々は、特定のラベルの性別比を変化させることで、異なる量のステレオタイプバイアスを持つ微分データセットを生成する。我々は、最低バイアス条件下で、性別間の特定の感情の認識において、最大で29 % の差を観察する。
論文参考訳（メタデータ） (2022-10-11T10:52:23Z)
Are Gender-Neutral Queries Really Gender-Neutral? Mitigating Gender Bias in Image Search [8.730027941735804]
我々は、画像検索において、独特なジェンダーバイアスを研究する。検索画像は、ジェンダーニュートラルな自然言語クエリに対して、しばしば性別不均衡である。我々は2つの新しいデバイアスのアプローチを導入する。
論文参考訳（メタデータ） (2021-09-12T04:47:33Z)
Stereotype and Skew: Quantifying Gender Bias in Pre-trained and Fine-tuned Language Models [5.378664454650768]
本稿では,文脈言語モデルにおける性別バイアスの定量化と分析を行う,スキューとステレオタイプという2つの直感的な指標を提案する。性別のステレオタイプは、アウト・オブ・ボックスモデルにおける性別の歪とほぼ負の相関関係にあり、これらの2種類のバイアスの間にトレードオフが存在することを示唆している。
論文参考訳（メタデータ） (2021-01-24T10:57:59Z)
Mitigating Gender Bias in Captioning Systems [56.25457065032423]
ほとんどのキャプションモデルは性別バイアスを学習し、特に女性にとって高い性別予測エラーにつながる。本稿では, 視覚的注意を自己指導し, 正しい性的な視覚的証拠を捉えるためのガイド付き注意画像キャプチャーモデル(GAIC)を提案する。
論文参考訳（メタデータ） (2020-06-15T12:16:19Z)
Multi-Dimensional Gender Bias Classification [67.65551687580552]
機械学習モデルは、性別に偏ったテキストでトレーニングする際に、社会的に望ましくないパターンを不注意に学習することができる。本稿では,テキスト中の性バイアスを複数の実用的・意味的な次元に沿って分解する一般的な枠組みを提案する。このきめ細かいフレームワークを用いて、8つの大規模データセットにジェンダー情報を自動的にアノテートする。
論文参考訳（メタデータ） (2020-05-01T21:23:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。