均衡生成式处理：匹配 f-散度以实现生成模型中的公平性
机器学习
2026-02-10 v1 人工智能
摘要
公平性是生成模型的一个关键问题，这些模型不仅反映而且可能放大社会和文化的偏见。现有的生成模型公平性概念主要从分类任务中改编而来，侧重于平衡从每个敏感群体生成样本的概率。我们表明，这样的标准是脆弱的，因为即使不同敏感群体的建模质量差异很大，它们也可能被满足。为了解决这一局限性，我们为生成模型引入了一个新的公平性定义，称为均衡生成式处理，它要求所有敏感群体具有可比的生成质量，质量通过参考 f-散度来衡量。我们进一步分析了均衡生成式处理所引发的权衡，表明强制执行公平性约束必然会将整体模型质量与最难近似的群体的质量耦合起来。这表明一种简单而高效的极小极大微调方法应该能够平衡敏感群体之间的 f-散度，以满足均衡生成式处理。我们通过在图像和文本生成任务上的一系列实验验证了这一理论见解。我们证明，与文献中的其他方法相比，极小极大方法始终能实现更公平的结果，同时在两项任务中保持有竞争力的整体性能。
引用
@article{arxiv.2602.08660,
title = {Equalized Generative Treatment: Matching f-divergences for Fairness in Generative Models},
author = {Alexandre Verine and Rafael Pinot and Florian Le Bronnec},
journal= {arXiv preprint arXiv:2602.08660},
year = {2026}
}