ICLRMar, 2024
基于偏倚数据集训练无偏离散模型
Training Unbiased Diffusion Models From Biased Dataset
Yeongmin Kim, Byeonghu Na, Minsang Park, JoonHo Jang, Dongjun Kim...
TL;DR本文提出了一种时间相关的重要性重新加权方法来减轻扩散模型中的数据集偏差,并证明了时间相关密度比方法相较于之前的方法更准确,从而在生成学习中最小化误差传播。通过将时间相关密度比用于重新加权和得分校正,可以获得一个可行的目标函数来重建无偏数据密度。此外,本文理论上建立了与传统得分匹配的联系,并证明了其收敛于无偏分布。实验证据支持了该方法的有效性,它在包括 CIFAR-10、CIFAR-100、FFHQ 和 CelebA 在内的多种偏差设置下胜过了基线方法。