我与你的偏见：探究扩散模型中的偏差放大
机器学习
2025-12-24 v1 计算机视觉与模式识别
摘要
扩散生成模型在 various image synthesis tasks 中展现出拔得头筋的性能，但其倾向于复制并放大数据集中的偏见仍鲜有人了解。虽然之前的研究将偏见放大视为扩散模型的固有特征，但本工作首次分析了抽样算法及其超参数如何影响偏见放大。我们经验性地证明，扩散模型的抽样器——通常优化以获取更好的样本质量和速度——对偏见放大有显著且可衡量的影响。通过在 Biased MNIST、Multi-Color MNIST 和 BFFHQ 上进行受控研究，并结合 Stable Diffusion，我们展示，抽样超参数即使在训练模型固定的情况下下也能诱导偏见的减轻或放大。源代码可在 https://github.com/How-I-met-your-bias/how_i_met_your_bias 获取。
引用
@article{arxiv.2512.20233,
title = {How I Met Your Bias: Investigating Bias Amplification in Diffusion Models},
author = {Nathan Roos and Ekaterina Iakovleva and Ani Gjergji and Vito Paolo Pastore and Enzo Tartaglione},
journal= {arXiv preprint arXiv:2512.20233},
year = {2025}
}