論文の概要: Inference Time Debiasing Concepts in Diffusion Models

• arxiv url: http://arxiv.org/abs/2508.14933v1
• Date: Tue, 19 Aug 2025 20:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.030986
• Title: Inference Time Debiasing Concepts in Diffusion Models
• Title（参考訳）: 拡散モデルにおける推論時間ずれの概念
• Authors: Lucas S. Kupssinskü, Marco N. Bochernitsan, Jordan Kopper, Otávio Parraga, Rodrigo C. Barros,
• Abstract要約: テキストから画像への拡散に基づくモデルのデバイアス化手法であるDeCoDiを提案する。 画像品質は著しく変化せず、計算オーバーヘッドも無視でき、拡散ベースの画像生成モデルにも適用できる。 看護師,消防士,CEOという概念に対して,性別,民族,年齢を嫌悪する手法の有効性を示す。
• 参考スコア（独自算出の注目度）: 1.7802455837461122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose DeCoDi, a debiasing procedure for text-to-image diffusion-based models that changes the inference procedure, does not significantly change image quality, has negligible compute overhead, and can be applied in any diffusion-based image generation model. DeCoDi changes the diffusion process to avoid latent dimension regions of biased concepts. While most deep learning debiasing methods require complex or compute-intensive interventions, our method is designed to change only the inference procedure. Therefore, it is more accessible to a wide range of practitioners. We show the effectiveness of the method by debiasing for gender, ethnicity, and age for the concepts of nurse, firefighter, and CEO. Two distinct human evaluators manually inspect 1,200 generated images. Their evaluation results provide evidence that our method is effective in mitigating biases based on gender, ethnicity, and age. We also show that an automatic bias evaluation performed by the GPT4o is not significantly statistically distinct from a human evaluation. Our evaluation shows promising results, with reliable levels of agreement between evaluators and more coverage of protected attributes. Our method has the potential to significantly improve the diversity of images it generates by diffusion-based text-to-image generative models.
• Abstract（参考訳）: 本稿では,テキストから画像への拡散に基づくモデルのデバイアス処理手法であるDeCoDiを提案する。 DeCoDiは拡散過程を変更し、偏りのある概念の潜在次元領域を避ける。 深層学習の難読化手法の多くは複雑あるいは計算集約的な介入を必要とするが,本手法は推論手順のみを変更するように設計されている。 そのため、広い範囲の実践者にとってよりアクセスしやすい。 看護師,消防士,CEOという概念に対して,性別,民族,年齢を嫌悪する手法の有効性を示す。 2つの異なる人間の評価器が、1200個の生成された画像を手動で検査する。 これらの評価結果は,性別,民族,年齢に基づく偏見の緩和に有効であることを示す。 また,GPT4oによる自動バイアス評価は,人的評価と統計的に有意な差はないことを示した。 本評価は,評価者間の合意の信頼度と,保護属性のより広範な範囲で,有望な結果を示すものである。 本手法は,拡散型テキスト・ツー・イメージ生成モデルにより生成する画像の多様性を著しく向上させる可能性がある。

関連論文リスト

• A Meaningful Perturbation Metric for Evaluating Explainability Methods [55.09730499143998]
  本稿では,画像生成モデルを用いて標的摂動を行う新しい手法を提案する。 具体的には,画像の忠実さを保ちながら,入力画像の高関連画素のみを塗布し,モデルの予測を変更することに焦点を当てる。 これは、しばしばアウト・オブ・ディストリビューションの修正を生み出し、信頼できない結果をもたらす既存のアプローチとは対照的である。
  論文  参考訳（メタデータ） (2025-04-09T11:46:41Z)
• Anisotropic Diffusion Probabilistic Model for Imbalanced Image Classification [8.364943466191933]
  非平衡画像分類問題に対する異方性拡散確率モデル(ADPM)を提案する。 我々は,データ分布を用いて,前処理中の異なるクラスサンプルの拡散速度を制御し,逆処理におけるデノイザの分類精度を効果的に向上する。 その結果, 異方性拡散モデルにより, ヘッドクラスの精度を維持しつつ, 希少クラスの分類精度が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2024-09-22T04:42:52Z)
• Prompt-Agnostic Adversarial Perturbation for Customized Diffusion Models [27.83772742404565]
  本稿では,カスタマイズした拡散モデルのためのPAP(Prompt-Agnostic Adversarial Perturbation)手法を提案する。 PAPはまず、ラプラス近似を用いてプロンプト分布をモデル化し、その後、外乱期待を最大化することで、急激な摂動を発生させる。 このアプローチは、即時無敵攻撃に効果的に取り組み、防御安定性を向上させる。
  論文  参考訳（メタデータ） (2024-08-20T06:17:56Z)
• On Biases in a UK Biobank-based Retinal Image Classification Model [0.0]
  本研究は,イギリスバイオバンクの眼底網膜画像に違いが存在するかどうかを,これらの画像上での疾患分類モデルの評価とトレーニングにより検討する。 モデル全体の性能は高いが、大きな違いがある。 これらの手法は, 偏見に適応したより良い偏見緩和法の必要性を浮き彫りにして, 公平性を高めることができないことが判明した。
  論文  参考訳（メタデータ） (2024-07-30T10:50:07Z)
• Training Diffusion Models with Reinforcement Learning [82.29328477109826]
  拡散モデルは、ログのような目的に近似して訓練される。 本稿では,下流目的のための拡散モデルを直接最適化するための強化学習手法について検討する。 本稿では,多段階決定問題としてデノベーションを行うことによって,ポリシー勾配アルゴリズムのクラスを実現する方法について述べる。
  論文  参考訳（メタデータ） (2023-05-22T17:57:41Z)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)
• Deblurring via Stochastic Refinement [85.42730934561101]
  条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。 提案手法は,PSNRなどの歪み指標の点で競合する。
  論文  参考訳（メタデータ） (2021-12-05T04:36:09Z)
• InsideBias: Measuring Bias in Deep Networks and Application to Face Gender Biometrics [73.85525896663371]
  この研究は、ディープニューラルネットワークアーキテクチャに基づく学習プロセスのバイアスについて検討する。 一般的なディープニューラルネットワークに基づく2つの性別検出モデルを採用している。 バイアスモデルを検出する新しい手法であるInsideBiasを提案する。
  論文  参考訳（メタデータ） (2020-04-14T15:20:50Z)

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。