正-未标签扩散模型用于防止敏感数据生成
机器学习
2025-03-07 v1 人工智能
机器学习
摘要
扩散模型是强大的生成模型，但经常生成用户不想要的敏感数据，主要是因为无标签训练数据频繁包含此类敏感数据。由于在大规模无标签训练数据中标注所有敏感数据是不切实际的，我们通过使用少量标注的敏感数据来解决此问题。在本文中，我们提出了正-未标签扩散模型，利用无标签数据和敏感数据来防止敏感数据的生成。我们的方法仅使用无标签和敏感（正）数据即可近似正常（负）数据的证据下界（ELBO）。因此，即使没有标注的正常数据，我们也可以最大化正常数据的ELBO并最小化标注敏感数据的ELBO，确保仅生成正常数据。通过在各种数据集和设置上的实验，我们证明了我们的方法可以在不损害图像质量的情况下防止敏感图像的生成。
引用
@article{arxiv.2503.03789,
title = {Positive-Unlabeled Diffusion Models for Preventing Sensitive Data Generation},
author = {Hiroshi Takahashi and Tomoharu Iwata and Atsutoshi Kumagai and Yuuki Yamanaka and Tomoya Yamashita},
journal= {arXiv preprint arXiv:2503.03789},
year = {2025}
}
备注
Accepted at ICLR2025. Code is available at https://github.com/takahashihiroshi/pudm