論文の概要: How I Met Your Bias: Investigating Bias Amplification in Diffusion Models

• arxiv url: http://arxiv.org/abs/2512.20233v1
• Date: Tue, 23 Dec 2025 10:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.829279
• Title: How I Met Your Bias: Investigating Bias Amplification in Diffusion Models
• Title（参考訳）: バイアスを計測する方法:拡散モデルにおけるバイアス増幅の考察
• Authors: Nathan Roos, Ekaterina Iakovleva, Ani Gjergji, Vito Paolo Pastore, Enzo Tartaglione,
• Abstract要約: 拡散に基づく生成モデルは、様々な画像合成タスクにおける最先端の性能を示す。 従来の研究は、バイアス増幅を拡散モデルの本質的な特性と見なしてきた。 拡散モデルのサンプルがバイアス増幅に有意かつ測定可能な効果があることを実証的に実証した。
• 参考スコア（独自算出の注目度）: 11.80771961784834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion-based generative models demonstrate state-of-the-art performance across various image synthesis tasks, yet their tendency to replicate and amplify dataset biases remains poorly understood. Although previous research has viewed bias amplification as an inherent characteristic of diffusion models, this work provides the first analysis of how sampling algorithms and their hyperparameters influence bias amplification. We empirically demonstrate that samplers for diffusion models -- commonly optimized for sample quality and speed -- have a significant and measurable effect on bias amplification. Through controlled studies with models trained on Biased MNIST, Multi-Color MNIST and BFFHQ, and with Stable Diffusion, we show that sampling hyperparameters can induce both bias reduction and amplification, even when the trained model is fixed. Source code is available at https://github.com/How-I-met-your-bias/how_i_met_your_bias.
• Abstract（参考訳）: 拡散に基づく生成モデルは、様々な画像合成タスクにまたがって最先端のパフォーマンスを示すが、データセットのバイアスを再現し増幅する傾向はよく分かっていない。 従来の研究では、バイアス増幅を拡散モデル固有の特性と見なしていたが、この研究はサンプリングアルゴリズムとそのハイパーパラメータがバイアス増幅にどのように影響するかを初めて分析した。 拡散モデルのためのサンプルが、一般的にサンプルの品質と速度に最適化されていることが、バイアス増幅に有意かつ測定可能な影響を及ぼすことを実証的に実証した。 Biased MNIST, Multi-Color MNIST, BFFHQで訓練されたモデルを用いた制御研究を通じて, 安定拡散法により, トレーニングされたモデルが固定された場合でも, サンプリングハイパーパラメータはバイアス低減と増幅の両方を誘導できることを示した。 ソースコードはhttps://github.com/How-I-met-your-bias/how_i_met_your_biasで公開されている。

関連論文リスト

• InvDiff: Invariant Guidance for Bias Mitigation in Diffusion Models [28.51460282167433]
  拡散モデルは、非常にデータ駆動であり、現実世界のデータに存在する不均衡とバイアスを継承する傾向がある。 拡散誘導のための不変意味情報学習を目的としたフレームワークInvDiffを提案する。 InvDiffは、画像生成の品質を維持しながら、バイアスを効果的に低減する。
  論文  参考訳（メタデータ） (2024-12-11T15:47:11Z)
• Debiasing Classifiers by Amplifying Bias with Latent Diffusion and Large Language Models [9.801159950963306]
  DiffuBiasはテキスト・画像生成のための新しいパイプラインであり、バイアス・コンフリクト・サンプルを生成することで分類器の堅牢性を高める。 DrouBiasは、安定拡散モデルを活用する最初のアプローチである。 総合実験により,DiffuBiasがベンチマークデータセット上で最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-11-25T04:11:16Z)
• DiffInject: Revisiting Debias via Synthetic Data Generation using Diffusion-based Style Injection [9.801159950963306]
  DiffInject(ディフインジェクション)は,事前学習した拡散モデルを用いて,合成バイアス競合サンプルを増強する強力な手法である。 私たちのフレームワークでは、バイアスタイプやラベル付けに関する明確な知識は必要ありません。
  論文  参考訳（メタデータ） (2024-06-10T09:45:38Z)
• IBADR: an Iterative Bias-Aware Dataset Refinement Framework for Debiasing NLU models [52.03761198830643]
  IBADR(Iterative Bias-Aware dataset Refinement framework)を提案する。 まず、プール内のサンプルのバイアス度を定量化するために浅いモデルを訓練する。 次に、各サンプルにバイアス度を表すバイアス指標をペアにして、これらの拡張サンプルを使用してサンプルジェネレータを訓練する。 このようにして、このジェネレータは、バイアスインジケータとサンプルの対応関係を効果的に学習することができる。
  論文  参考訳（メタデータ） (2023-11-01T04:50:38Z)
• Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models [76.46246743508651]
  我々は,現在の拡散モデルが後方認知において表現力のあるボトルネックを持っていることを示した。 本稿では,後方復調のための表現的かつ効率的なモデルであるソフトミキシング・デノナイジング(SMD)を導入する。
  論文  参考訳（メタデータ） (2023-09-25T12:03:32Z)
• 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)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)

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。