論文の概要: Debias Anything: Fairness with Diversity without Supervision in Diffusion Models

• arxiv url: http://arxiv.org/abs/2610.01815v1
• Date: Thu, 01 Oct 2026 14:51:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.209477
• Title: Debias Anything: Fairness with Diversity without Supervision in Diffusion Models
• Title（参考訳）: Debias Anything:拡散モデルにおける教師なしの多様性との公正性
• Abstract要約: 拡散モデルは、彼らのトレーニングデータにおいて、人口動態の不均衡を再現し、増幅します。 本稿では,任意の拡散モデルや感度特性に適用可能な,公平性と多様性を両立させる手法を提案する。 実験により,本手法は品質と多様性のスコアを同等の公平度で向上させることを確認した。
• 参考スコア（独自算出の注目度）: 4.2921733669498465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although diffusion models produce high-quality images, they also reproduce and amplify demographic imbalances in their training data. Debiasing their generation process post-training w.r.t. some sensitive attribute usually relies on classifier guidance or explicit text extra-conditioning, but this reduces methods' applicability and output diversity. Conversely, methods promoting diversity alone do not ensure fair attribute representation. In this paper, we propose a method tackling fairness and diversity jointly that is generally applicable to any diffusion model and any sensitive attribute. To this end, an adapter connects the frozen diffusion model to a pretrained vision-language embedding space, enabling fairness and diversity guidance without sensitive-attribute annotations. For fairness, pairs of text prompts define attribute directions which guide batch composition towards specific proportions. For diversity, we introduce a score measuring disagreement between the semantic estimates derived from this representation. The formulation supports unconditional and text-conditional diffusion models, while requiring no prior knowledge or data of sensitive attribute. Experiments confirm that our method improves quality and diversity scores at comparable fairness levels.
• Abstract（参考訳）: 拡散モデルは高品質な画像を生成するが、トレーニングデータにおいて人口動態の不均衡を再現し増幅する。 トレーニング後の生成プロセスのデバイアス化 w.r.t. のいくつかの機密属性は、通常分類器のガイダンスや明示的なテキストの外部条件に依存するが、メソッドの適用性や出力の多様性を低下させる。 逆に、多様性を促進する方法だけでは、公平な属性表現が保証されない。 本稿では,任意の拡散モデルや感度特性に適用可能な,公平性と多様性を両立させる手法を提案する。 この目的のために、アダプタは凍結拡散モデルを事前訓練された視覚言語埋め込み空間に接続し、センシティブ属性アノテーションを使わずに公平性と多様性ガイダンスを可能にする。 公平性のために、テキストのペアプロンプトは、バッチ合成を特定の割合に導く属性方向を定義する。 多様性については,この表現から導かれる意味的推定値の相違点を測るスコアを導入する。 定式化は無条件およびテキスト条件拡散モデルをサポートし、事前知識や機密属性のデータを必要としない。 実験により,本手法は品質と多様性のスコアを同等の公平度で向上させることを確認した。

関連論文リスト

• Fair Generation without Unfair Distortions: Debiasing Text-to-Image Generation with Entanglement-Free Attention [42.277875137852234]
  Entanglement-Free Attention (EFA) は、非ターゲット属性をバイアス緩和時に保存しながら、ターゲット属性を正確に組み込む手法である。 推論時に、EFAは、ターゲット属性を同じ確率でランダムにサンプリングし、選択された層内の交差アテンションを調整して、サンプル属性を組み込む。 大規模な実験により、EFAは非ターゲット属性を保ちながらバイアスを緩和する既存の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-16T09:40:32Z)
• GRADE: Quantifying Sample Diversity in Text-to-Image Models [66.12068246962762]
  GRADEはテキスト・画像モデルにおけるサンプルの多様性を定量化する手法である。 GRADEを用いて、合計720K画像上の12種類のモデルの多様性を測定する。
  論文  参考訳（メタデータ） (2024-10-29T23:10:28Z)
• AITTI: Learning Adaptive Inclusive Token for Text-to-Image Generation [53.65701943405546]
  我々は適応的包摂トークンを学習し、最終的な生成出力の属性分布をシフトする。 本手法では,明示的な属性仕様やバイアス分布の事前知識は必要としない。 提案手法は,特定の属性を要求されたり,生成の方向を編集するモデルに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2024-06-18T17:22:23Z)
• Leveraging vision-language models for fair facial attribute classification [19.93324644519412]
  汎用視覚言語モデル(英: General-purpose Vision-Language Model, VLM)は、共通感性属性のための豊富な知識源である。 我々は,VLM予測値と人間定義属性分布の対応関係を解析した。 複数のベンチマークの顔属性分類データセットの実験は、既存の教師なしベースラインよりもモデルの公平性の向上を示している。
  論文  参考訳（メタデータ） (2024-03-15T18:37:15Z)
• 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)
• Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
  公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。 モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある 本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T19:51:10Z)

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。