論文の概要: FairGen: Controlling Sensitive Attributes for Fair Generations in Diffusion Models via Adaptive Latent Guidance

• arxiv url: http://arxiv.org/abs/2503.01872v1
• Date: Tue, 25 Feb 2025 23:47:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-09 03:20:31.029310
• Title: FairGen: Controlling Sensitive Attributes for Fair Generations in Diffusion Models via Adaptive Latent Guidance
• Title（参考訳）: FairGen:Adaptive Latent Guidanceによる拡散モデルにおける高感度属性制御
• Authors: Mintong Kang, Vinayshekhar Bannihatti Kumar, Shamik Roy, Abhishek Kumar, Sopan Khosla, Balakrishnan Murali Narayanaswamy, Rashmi Gangadharaiah,
• Abstract要約: テキストと画像の拡散モデルは、しばしば特定の人口集団に対するバイアスを示す。 本稿では,任意の属性値に対して生成バイアスを緩和する課題に取り組む。 推論中の生成分布を制御する適応型潜伏誘導機構であるFairGenを提案する。
• 参考スコア（独自算出の注目度）: 19.65226469682089
• License:
• Abstract: Text-to-image diffusion models often exhibit biases toward specific demographic groups, such as generating more males than females when prompted to generate images of engineers, raising ethical concerns and limiting their adoption. In this paper, we tackle the challenge of mitigating generation bias towards any target attribute value (e.g., "male" for "gender") in diffusion models while preserving generation quality. We propose FairGen, an adaptive latent guidance mechanism which controls the generation distribution during inference. In FairGen, a latent guidance module dynamically adjusts the diffusion process to enforce specific attributes, while a memory module tracks the generation statistics and steers latent guidance to align with the targeted fair distribution of the attribute values. Further, given the limitations of existing datasets in comprehensively assessing bias in diffusion models, we introduce a holistic bias evaluation benchmark HBE, covering diverse domains and incorporating complex prompts across various applications. Extensive evaluations on HBE and Stable Bias datasets demonstrate that FairGen outperforms existing bias mitigation approaches, achieving substantial bias reduction (e.g., 68.5% gender bias reduction on Stable Diffusion 2). Ablation studies highlight FairGen's ability to flexibly and precisely control generation distribution at any user-specified granularity, ensuring adaptive and targeted bias mitigation.
• Abstract（参考訳）: テキスト・ツー・イメージの拡散モデルは、しばしば特定の人口集団に対する偏見を示し、例えば、エンジニアのイメージを生成するように促された時に、女性よりも多くの男性を産むこと、倫理的懸念を提起すること、採用を制限することなどである。 本稿では, 生成品質を保ちながら, 拡散モデルにおける任意の属性値(例えば, 「性別」の「男性」)に対して生成バイアスを緩和する課題に取り組む。 推論中の生成分布を制御する適応型潜伏誘導機構であるFairGenを提案する。 FairGenでは、潜在ガイダンスモジュールが拡散プロセスを動的に調整して特定の属性を強制し、一方メモリモジュールは生成統計を追跡し、潜在ガイダンスは属性値のターゲットの公正な分布に合わせる。 さらに、拡散モデルにおけるバイアスを包括的に評価する既存のデータセットの限界を考慮し、様々な領域をカバーし、様々なアプリケーションに複雑なプロンプトを組み込んだ総合的バイアス評価ベンチマークHBEを導入する。 HBEデータセットと安定バイアスデータセットの大規模な評価は、FairGenが既存のバイアス緩和アプローチより優れており、実質的なバイアス低減(例えば、安定拡散の68.5%の性別バイアス削減)を実現していることを示している。 アブレーション研究は、FairGenがユーザの特定した粒度における生成分布を柔軟かつ正確に制御し、適応的かつ目標とするバイアス緩和を保証する能力を強調している。

関連論文リスト

• DebiasDiff: Debiasing Text-to-image Diffusion Models with Self-discovering Latent Attribute Directions [16.748044041907367]
  DebiasDiffは、自己発見方法で属性潜在方向を学習するプラグイン・アンド・プレイ方式である。 本手法は,他のDMと軽量かつ容易に統合可能でありながら,DMの複数の属性を同時にデバイアスすることが可能である。
  論文  参考訳（メタデータ） (2024-12-25T07:30:20Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• FADE: Towards Fairness-aware Augmentation for Domain Generalization via Classifier-Guided Score-based Diffusion Models [14.962882545521673]
  FairDG(Fairness-Aware Domain Generalization)は、信頼できるAIシステムを展開する上で重要な課題である。 フェアネスに対処する伝統的な手法は、分布シフトに対する考慮の欠如により、領域一般化において失敗している。 フェアネスを意識したスコアガイド拡散モデル(FADE)をFairDG問題に効果的に対処するための新しいアプローチとして提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:36:05Z)
• Distributionally Generative Augmentation for Fair Facial Attribute Classification [69.97710556164698]
  Facial Attribute Classification (FAC) は広く応用されている。 従来の手法で訓練されたFACモデルは、様々なデータサブポピュレーションにまたがる精度の不整合を示すことによって不公平である可能性がある。 本研究は,付加アノテーションなしでバイアスデータ上で公正なFACモデルをトレーニングするための,新しい世代ベースの2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-11T10:50:53Z)
• Theoretical Insights for Diffusion Guidance: A Case Study for Gaussian Mixture Models [59.331993845831946]
  拡散モデルは、所望の特性に向けてサンプル生成を操るために、スコア関数にタスク固有の情報を注入することの恩恵を受ける。 本稿では,ガウス混合モデルの文脈における拡散モデルに対する誘導の影響を理解するための最初の理論的研究を提供する。
  論文  参考訳（メタデータ） (2024-03-03T23:15:48Z)
• Balancing Act: Distribution-Guided Debiasing in Diffusion Models [31.38505986239798]
  拡散モデル(DM)は、前例のない画像生成能力を持つ強力な生成モデルとして登場した。 DMはトレーニングデータセットに存在するバイアスを反映します。 本稿では、追加データやモデル再学習に頼ることなく、DMをデバイアスする手法を提案する。
  論文  参考訳（メタデータ） (2024-02-28T09:53:17Z)
• Gaussian Harmony: Attaining Fairness in Diffusion-based Face Generation Models [31.688873613213392]
  拡散モデルは生成過程のバイアスを増幅し、年齢、性別、人種などの敏感な属性の分布の不均衡をもたらす。 ガウス混合モデル(GMM)を用いて拡散モデルの潜時空間における顔特性の手段を局在させることによりバイアスを軽減する。 その結果, 提案手法は, 生成したサンプルの品質を保ちながら, 表現フェアネスの観点から, より公平なデータ生成につながることが示された。
  論文  参考訳（メタデータ） (2023-12-21T20:06:15Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Toward Fair Facial Expression Recognition with Improved Distribution Alignment [19.442685015494316]
  本稿では,表情認識(FER)モデルにおけるバイアスを軽減する新しい手法を提案する。 本手法は、FERモデルによる埋め込みにおいて、性別、年齢、人種などの機密属性情報を低減することを目的としている。 ferモデルにおいて、魅力の概念を重要な感度属性として分析し、FERモデルがより魅力的な顔に対するバイアスを実際に示できることを実証する。
  論文  参考訳（メタデータ） (2023-06-11T14:59:20Z)
• Analyzing Bias in Diffusion-based Face Generation Models [75.80072686374564]
  拡散モデルは、合成データ生成と画像編集アプリケーションでますます人気がある。 本研究では, 性別, 人種, 年齢などの属性に関して, 拡散型顔生成モデルにおけるバイアスの存在について検討する。 本研究は,GAN(Generative Adversarial Network)とGAN(Generative Adversarial Network)をベースとした顔生成モデルにおいて,データセットサイズが属性組成および知覚品質に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-05-10T18:22:31Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。