論文の概要: KG-FairDiff: Knowledge Graph-Guided Prompt Refinement for Demographically Fair Text-to-Image Generation
- arxiv url: http://arxiv.org/abs/2606.01282v1
- Date: Sun, 31 May 2026 15:06:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.495551
- Title: KG-FairDiff: Knowledge Graph-Guided Prompt Refinement for Demographically Fair Text-to-Image Generation
- Title（参考訳）: KG-FairDiff: 図形的に公正なテキスト・画像生成のための知識グラフガイド型プロンプトリファインメント
- Authors: Farbod Davoodi, Seyed Reza Tavakoli Shiyadeh, Pooria Safaei, Sana Harighi, Parsa Gholami, Amirali Amini, Kimia Vanaei, Emad Firoozi, Parham Abed Azad, Babak Khalaj, Siavash Ahmadi, Amir Hossein Payberah, Mohammad Hossein Rohban, Soheil Kolouri, Ali Diba,
- Abstract要約: KG-FairDiffは、フェアネスを意識した即時改善のためのモデルに依存しない推論時フレームワークである。
ジェンダー、人種、年齢、交差点の格差を減らし、素早い意味を保っている。
より公平な生成AIへの実用的でデプロイ可能なルートを提供する。
- 参考スコア（独自算出の注目度）: 12.709162453307277
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text-to-Image (TTI) systems are now everyday infrastructure for journalism, education, advertising, and public communication, and the demographic and cultural stereotypes they inherit from training data (rendering women, people of colour, older adults, and non-Western cultures as under-represented or caricatured) become a population-level harm at deployment scale. Existing mitigations either require costly retraining, infeasible for the closed-source backbones that dominate consumer products, or rely on fixed demographic templates that ignore cultural context. We present KG-FairDiff, a model-agnostic, inference-time framework that formalises fairness-aware prompt refinement as a constrained optimisation problem and operationalises it as a closed-loop pipeline: a knowledge graph of ~1,200 culture- and bias-related triples retrieves structured context, an LLM rewriter proposes refinements, and a validator accepts only prompts that reduce a divergence-based fairness loss while preserving semantic fidelity to the user's original intent. We prove a finite-termination bound for the refinement loop, contribute a mathematically consistent evaluation suite linking Bias-P/Bias-W to divergence from target distributions and ENS to KL divergence, and audit eight widely-deployed backbone generators. KG-FairDiff substantially reduces gender, race, age, and intersectional disparities while preserving prompt semantics, offering a practical, deployment-ready route to more equitable generative AI.
- Abstract（参考訳）: テキスト・トゥ・イメージ(TTI)システムは現在、ジャーナリズム、教育、広告、公共コミュニケーションの日常的な基盤となっており、教育データ(女性、有色人種、高齢者、非西洋文化を表現不足、あるいは認識不足とみなす)から受け継いだ人口的・文化的ステレオタイプは、展開規模において人口レベルの害となる。
既存の緩和には、コストのかかるトレーニングが必要で、消費者製品を支配するクローズドソースのバックボーンや、文化的コンテキストを無視した固定された階層テンプレートに依存する必要がある。
KG-FairDiffは、制約付き最適化問題としてフェアネスを意識し、それをクローズドループパイプラインとして運用する、モデルに依存しない推論時間フレームワークである。1200の文化とバイアス関連の知識グラフは構造化されたコンテキストを検索し、LCMリライターはリファインメントを提案し、バリケータは、ユーザの本来の意図に意味的忠実さを保ちながら、分岐に基づくフェアネスの損失を減少させるプロンプトのみを受け入れる。
本研究では,改良ループに対する有限終端境界を証明し,Bias-P/Bias-Wを結合した数学的に一貫した評価スイートを目標分布とENSとKL分岐に分散させ,広く展開された8つのバックボーン生成装置を監査する。
KG-FairDiffは、ジェンダー、人種、年齢、交差点の格差を大幅に減らし、迅速なセマンティクスを保ち、より公平な生成AIへの実践的で展開可能なルートを提供する。
関連論文リスト
- Who Defines Fairness? Target-Based Prompting for Demographic Representation in Generative Models [2.9107534257071817]
生成的AIシステムは、社会的バイアスを再現することが多い。
本稿では,モデルの変更を伴わずに,即時介入による表現バイアスを軽減する軽量な推論時フレームワークを提案する。
この研究は、公正な介入を透過的で制御可能で、推論時に使用することができるかを示し、生成AIのユーザーに直接力を与える。
論文 参考訳（メタデータ） (2026-04-22T19:30:35Z) - EruDiff: Refactoring Knowledge in Diffusion Models for Advanced Text-to-Image Synthesis [49.883192716595026]
EruDiffは、難解な暗黙のプロンプトの知識分布を、明確に定義された明示的なアンカーの知識分布と整合させることを目指している。
そこで我々はDK-DM (Diffusion Knowledge Distribution Matching) を開発し、暗黙的なプロンプトの知識分布を、明確に定義された明示的なアンカーの知識分布に登録する。
我々は, きめ細かい補正にNO-RL戦略を用いる。
論文 参考訳（メタデータ） (2026-03-21T14:04:08Z) - Refinement Provenance Inference: Detecting LLM-Refined Training Prompts from Model Behavior [58.751981587234916]
本稿では,Refinement Provenance Inference (RPI)監査タスクをRefinement Provenance Inference (RPI)として定式化する。
本稿では,ロジットレベルの信号で教師が強制する可能性機能を融合させるロジットベースのフレームワークであるReProを提案する。
トレーニング中、ReProはシャドウファインチューニングを通じて転送可能な表現を学び、訓練データアクセスなしで、見えない犠牲者の証明を推測するために軽量のリニアヘッドを使用する。
論文 参考訳（メタデータ） (2026-01-05T10:16:41Z) - Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。
このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。
以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
論文 参考訳（メタデータ） (2025-10-23T12:22:02Z) - 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) - Individual Fairness Through Reweighting and Tuning [0.23395944472515745]
社会内の本質的なバイアスは、人工知能(AI)システムによって増幅し、永続することができる。
近年,グラフラプラシアン正則化器 (GLR) が一般リプシッツ条件の代用として用いられ,個人の公正性を高めている。
本研究では,GLRを列車上で独立に定義し,目標データに類似した精度を維持できるかどうかを検討した。
論文 参考訳（メタデータ） (2024-05-02T20:15:25Z) - All Should Be Equal in the Eyes of Language Models: Counterfactually
Aware Fair Text Generation [16.016546693767403]
本研究では,多様な階層のモデル理解を動的に比較し,より公平な文を生成する枠組みを提案する。
CAFIEはより公平なテキストを生成し、公平性と言語モデリング能力の最良のバランスを打ちます。
論文 参考訳（メタデータ） (2023-11-09T15:39:40Z) - Parametric Fairness with Statistical Guarantees [0.46040036610482665]
我々は、予測に分布特性を組み込むためのデモグラフィックパリティの概念を拡張し、専門家の知識を公正なソリューションで利用できるようにする。
我々は、賃金の実践的な例を通して、この新しい指標の使用を説明し、実践的な課題に効率的に対処するパラメトリック手法を開発する。
論文 参考訳（メタデータ） (2023-10-31T14:52:39Z) - Supercharging Imbalanced Data Learning With Energy-based Contrastive
Representation Transfer [72.5190560787569]
コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。
本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。
これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
論文 参考訳（メタデータ） (2020-11-25T00:13:11Z) - Fairness by Explicability and Adversarial SHAP Learning [0.0]
本稿では,外部監査役の役割とモデル説明可能性を強調するフェアネスの新たな定義を提案する。
逆代理モデルのSHAP値から構築した正規化を用いてモデルバイアスを緩和するフレームワークを開発する。
合成データセット、UCIアダルト(国勢調査)データセット、実世界の信用評価データセットである。
論文 参考訳（メタデータ） (2020-03-11T14:36:34Z)
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。