論文の概要: Stay Fair! Ensuring Group Fairness in Diffusion Models Across Guidance Scales

• arxiv url: http://arxiv.org/abs/2605.28036v1
• Date: Wed, 27 May 2026 06:39:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.809977
• Title: Stay Fair! Ensuring Group Fairness in Diffusion Models Across Guidance Scales
• Title（参考訳）: 定常フェア! 誘導スケールにおける拡散モデルにおける群フェアネスの確保
• Authors: Myeongsoo Kim, Eunji Kim, Minwoo Chae, Sangwoo Mo,
• Abstract要約: 拡散モデルは、迅速なアライメントと多様性をトレードオフするために調整可能なガイダンススケールでステア条件生成を行う。 全体バイアスをモデルバイアスとガイダンスバイアスの2つのコンポーネントに分解することで、この振る舞いを以前見過ごされたソースにトレースします。 本稿では、この条件を利用して、両レシスタンスで公正なガイダンスアルゴリズムを設計するStayFairを提案する。
• 参考スコア（独自算出の注目度）: 12.234658039504728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models steer conditional generation with a tunable guidance scale to trade off prompt alignment and diversity. However, existing debiasing techniques are optimized for a single scale, degrading fairness when users adjust this parameter. We trace this behavior to a previously overlooked source by decomposing total bias into two components: a model bias and a guidance bias. While prior work primarily targets the former, we show that the guidance bias grows monotonically with the guidance scale, eventually dominating the high-guidance regimes users prefer. To address this, we extend Strong Demographic Parity to guidance and derive a condition under which the target distribution retains its group ratio across guidance scales. We propose StayFair, which leverages this condition to design fair guidance algorithms in both regimes. For classifier guidance, it equalizes the classifier's output distributions across groups; for classifier-free guidance, it shifts the null embedding by a prompt-dependent offset. Because StayFair modifies only the guidance step, it is orthogonal to model debiasing and can be layered onto existing fair diffusion models to extend their fairness across guidance scales. Across class-conditional and text-to-image generation, StayFair decouples fairness from the guidance scale without sacrificing image quality.
• Abstract（参考訳）: 拡散モデルは、迅速なアライメントと多様性をトレードオフするために調整可能なガイダンススケールでステア条件生成を行う。 しかし,既存のデバイアス手法は単一スケールに最適化されており,ユーザがパラメータを調整した場合の公平性を低下させる。 全体バイアスをモデルバイアスとガイダンスバイアスの2つのコンポーネントに分解することで、この振る舞いを以前見過ごされたソースにトレースします。 先行研究は主に前者を対象としているが、誘導バイアスはガイダンス尺度によって単調に増大し、最終的にはユーザーが好む高誘導体制を支配下に置く。 これを解決するために、Strong Demographic Parityをガイダンスに拡張し、目標分布がガイダンス尺度全体のグループ比を維持する条件を導出する。 本稿では、この条件を利用して、両レシスタンスで公正なガイダンスアルゴリズムを設計するStayFairを提案する。 分類器ガイダンスは、グループ間での分類器の出力分布を等しくし、分類器フリーガイダンスでは、プロンプト依存のオフセットによってヌル埋め込みをシフトする。 StayFairはガイダンスのステップだけを変更するため、モデルのデバイアスは直交的であり、既存の公正拡散モデルに階層化してガイダンスのスケールにわたって公平性を拡張することができる。 StayFairは、クラス条件とテキスト・ツー・イメージ生成全体にわたって、画質を犠牲にすることなく、ガイダンススケールから公平性を分離する。

関連論文リスト

• FairGen: Controlling Sensitive Attributes for Fair Generations in Diffusion Models via Adaptive Latent Guidance [22.603461883941495]
  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。
  論文  参考訳（メタデータ） (2025-02-25T23:47:22Z)
• FairGen: Enhancing Fairness in Text-to-Image Diffusion Models via Self-Discovering Latent Directions [18.3214925434309]
  拡散モデル(DM)は様々な画像生成タスクにおいて顕著な性能を示す。 これらのバイアスは歪んだ世界観を永続させ、少数民族の機会を妨げる可能性がある。 本研究では,属性潜在方向を自己発見的に学習するプラグイン・アンド・プレイ手法であるFairGenを提案する。
  論文  参考訳（メタデータ） (2024-12-25T07:30:20Z)
• Finetuning Text-to-Image Diffusion Models for Fairness [43.80733100304361]
  公平性は分布的アライメント問題である。 経験的手法では、職業的プロンプトに対する性別、人種、およびそれらの交叉バイアスを著しく低減する。 我々の手法は絶対的平等を超えた公平性の多様な視点を支えている。
  論文  参考訳（メタデータ） (2023-11-11T05:40:54Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• On Comparing Fair Classifiers under Data Bias [42.43344286660331]
  本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。 我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
  論文  参考訳（メタデータ） (2023-02-12T13:04:46Z)
• Domain Adaptation meets Individual Fairness. And they get along [48.95808607591299]
  アルゴリズムフェアネスの介入は、機械学習モデルが分散シフトを克服するのに役立つことを示す。 特に,個人フェアネス(IF)の適切な概念を強制することで,MLモデルの分布外精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-01T16:19:55Z)
• Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
  Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。 我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
  論文  参考訳（メタデータ） (2022-02-08T18:08:24Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)

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。