MoESD：混合专家稳定扩散以缓解性别偏见
计算与语言
2024-10-25 v2 人工智能
机器学习
摘要
文本到图像模型已知会传递社会偏见。例如，当被提示生成特定职业中人物的图像时，这些模型倾向于系统性地生成特定性别或民族。本文表明，这种偏见已存在于模型的文本编码器中，并通过识别潜空间中的文本编码偏见，然后创建偏见识别门控机制的混合专家方法来缓解。具体而言，我们提出了 MoESD (Mixture of Experts Stable Diffusion) 配合 BiAs (偏见适配器) 以缓解文本到图像模型中的性别偏见。我们还演示了在缓解过程中向提示中引入任意特殊标记是必不可少的。通过聚焦性别偏见的实验，我们表明该方法成功缓解了性别偏见，同时保持了图像质量。
引用
@article{arxiv.2407.11002,
title = {MoESD: Mixture of Experts Stable Diffusion to Mitigate Gender Bias},
author = {Guorun Wang and Lucia Specia},
journal= {arXiv preprint arXiv:2407.11002},
year = {2024}
}