本文分析并强调 GAN 模型的公平性问题,提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案,避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。
Mar, 2021
本研究提出一种通过预处理算法识别和删除偏差样本以生成更公平的合成数据的管道,可以有效地克服许多挑战,并在某些情况下提高性能。
Oct, 2022
本文介绍了公平 GAN,一种生成数据集的方法,这个数据集类似于给定的多媒体数据集,但在分配决策中对受保护属性更公平。我们提出了一种新颖的辅助分类器 GAN,力求实现人口统计学公平或机会平等,并在几个数据集上展示了实证结果,包括名人面孔属性 (CelebA) 数据集、Quick, Draw! 数据集以及一个足球球员图像数据集和他们被罚下的进攻。这种方法适合吸收未标记的数据,我们利用这个方法增强了足球数据集。在生成逼真的图像的同时,方法倾向于改善人口统计学公平和机会平等。
May, 2018
该研究使用生成对抗网络 (GANs) 生成面孔,发现在生成图像的过程中,训练数据中的偏见被放大。为了解决这个问题,提出了一种可解释的基准方法来平衡产生的面部属性,从而产生更平衡的数据。同时,该方法具有泛化能力来处理多个属性以及细分组的样本合成,进而用于量化商业人脸属性分类器和人脸超分辨率算法中的偏见。
Dec, 2020
介绍一种新的针对敏感特征的机器学习公平性框架,通过去除敏感信息和最小化敏感特征的边际贡献来改善模型的公平性。实验结果表明,该模型在公平性指标和预测性能方面均优于相关最先进方法。
Sep, 2019
通过协调对抗训练和重构生成来提高数据覆盖率,并扩展了一个允许显式控制模型应该包含的少数群体的方法。
Apr, 2020
研究表明在 GANs 模型中存在代表性不公平,通过控制不同群体在判别器训练中的梯度范数,实现了更加公平的数据生成,同时保持了生成样本的质量。
Jul, 2022
使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的,然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。
Jun, 2023
本文概述了生成对抗网络在信号处理中的应用,讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。
Oct, 2017
通过引入一种简单的方法,使真实数据分布经过一个‘透镜’传达给辨别器,让生成器逐步揭示出更多细节特征,改善了 GAN 训练的质量、稳定性和收敛速度,对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。
Feb, 2018