DiffInject：基于扩散模型的风格注入重访去偏置

数据集偏置是机器学习中的一个重大挑战，其中特定属性（如图像的纹理或颜色）无意中被学习，从而导致性能下降。为此，过去的努力主要关注通过开发新型去偏算法或生成合成数据来缓解普遍的数据集偏见。然而，迄今为止的生成方法主要依赖于来自数据集的偏见特定样本，而这些样本通常过于稀缺。本文提出了 DiffInject，一种简单而强大的方法，用于使用预训练扩散模型生成合成偏见冲突样本。该方法显著推动了扩散模型在去偏用途方面的应用，通过操控潜在空间实现。我们的框架无需对偏见类型或标注进行任何显式知识，实现了完全无监督的去偏。我们的 methodology 在有效减少数据集偏见方面显示出显著效果。