כתבה
arXiv cs.LG ·
Debias Anything: צדקנות עם תפוצה ללא סיווג בדיפוזיה
Debias Anything: Fairness with Diversity without Supervision in Diffusion Models
אפשרות לצדקנות בדיפוזיה ללא סיווג. המאמר מציג שיטה לצדקנות ותפוצה בדיפוזיה, שאינה תלויה באפליקציות ספציפיות.
תקציר מקורי באנגליתarXiv:2610.01815v1 Announce Type: new 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 wit
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית