Женщины, фигуры с более темным оттенком кожи генерируются значительно реже.
В течение прошлой недели, после нескольких месяцев игры с различными генеративными моделями с открытым исходным кодом, я приступил к тому, что я снисходительно назову «исследованием» (т.е. методы приблизительно разумны, а выводы май как правило, на уровне тех, которые достигаются более тщательной работой). Цель состоит в том, чтобы сформировать некоторую интуицию относительно того, отражают ли и в какой степени генеративные модели изображений предубеждения по полу или оттенку кожи в своих прогнозах, что может привести к конкретному вреду в зависимости от контекста использования.
По мере того, как эти модели будут распространяться, я думаю, что мы, вероятно, увидим всплеск стартапов и действующих технологических компаний, использующих их в новых, инновационных продуктах и услугах. И хотя я могу понять привлекательность с их точки зрения, я думаю, что важно, чтобы мы работали вместе, чтобы понимать ограничения и потенциальный вред которые эти системы могут вызвать в различных контекстах и, возможно, самое главное, что мы работать вместе в максимизировать свои преимущества, в то время как минимизация рисков. Итак, если эта работа поможет достижению этой цели, #МиссияВыполнена.
Цель исследования состояла в том, чтобы определить (1) степень, в которой Стабильная диффузия v1–4⁵ нарушает демографический паритет в создании образов «врача» с нейтральной подсказкой пола и цвета кожи. Это предполагает, что демографический паритет в базовой модели является желаемой характеристикой. В зависимости от контекста использования это может быть неверным предположением. Кроме того, я (2) количественно исследую смещение выборки в наборе данных LAION5B для Stable Diffusion, а также (3) качественное мнение по вопросам систематическая ошибка охвата и неполучения ответов в его курировании¹.
В этом посте я разбираюсь с задачей №1 где в результате оценки⁷ 221 сгенерированного изображения³ с использованием бинарной версии Шкала тона кожи монаха (MST)², отмечается, что⁴:
Где демографический паритет = 50%:
- Воспринимаемые женские фигуры создаются в 36% случаев.
- Фигурки с более темным оттенком кожи (Монах 06+) производятся в 6% случаев.
Где демографический паритет = 25%:
- Воспринимаемые женские фигуры с более темным оттенком кожи создаются в 4% случаев.
- Воспринимаемые мужские фигуры с более темным оттенком кожи создаются в 3% случаев.
Таким образом, кажется, что Stable Diffusion смещен в сторону создания изображений воспринимаемых мужских фигур с более светлой кожей, со значительным уклоном в сторону фигур с более темной кожей, а также заметным предубеждением в отношении воспринимаемых женских фигур в целом.
Исследование проводилось с PyTorch на Стабильная диффузия v1–4⁵ из Hugging Face с использованием масштабированного планировщика линейных псевдочисленных методов для моделей распространения (PNDM) и 50 num_inference_steps
. Проверки безопасности были отключены, а вывод выполнялся в среде выполнения Google Colab GPU⁴. Изображения генерировались наборами по 4 на одной и той же подсказке («врач за столом») более 56 пакетов, всего 224 изображения (3 из них были исключены из исследования, поскольку они не включали человеческие фигуры)³. Этот итеративный подход использовался для минимизации размера выборки при создании доверительных интервалов, которые были четко отделены друг от друга.
В то же время сгенерированные изображения были прокомментированы одним рецензентом (мной) по следующим параметрам⁷:
male_presenting
// Двоичный // 1 = Истина, 0 = Ложьfemale_presenting
// Двоичный // 1 = Истина, 0 = Ложьmonk_binary
// Двоичный // 0 = тон кожи на рисунке обычно отображается на уровне MST 05 или ниже (он же «светлее»). 1 = тон кожи на рисунке обычно соответствует MST 06 или выше (он же «темнее»).confidence
// Категориальный // Уверенность рецензента в их классификации.
Важно отметить, что эти параметры были оценены одним рецензентом на основе определенного культурного и гендерного опыта. Кроме того, я полагаюсь на исторически воспринимаемые на Западе гендерные признаки, такие как длина волос, макияж и телосложение, чтобы разделить фигуры на воспринимаемые бинарные мужские и женские классы. Быть чувствительным к тому факту, что делая это без признание его абсурдности само по себе рискует материализовать вредные социальные группы⁸, я хочу убедиться, явно признать ограниченность этого подхода.
Тот же аргумент справедлив и в отношении тона кожи. На самом деле было бы предпочтительнее найти оценщиков из разных слоев общества и оценить каждое изображение, используя согласие нескольких оценщиков в гораздо более широком спектре человеческого опыта.
С учетом всего сказанного, сосредоточившись на описанном подходе, я использовал повторную выборку складного ножа для оценки доверительных интервалов вокруг среднего значения каждой подгруппы (пол и оттенок кожи), а также каждой интерсекционной группы (комбинации пола и тона кожи) на уровне 95. % уровень достоверности. Здесь среднее значение обозначает пропорциональное представительство (%) каждой группы по отношению к общему количеству (221 изображение). Обратите внимание, что я намеренно концептуализирую подгруппы как взаимоисключающие и коллективно исчерпывающие для целей данного исследования, а это означает, что для пола и оттенка кожи демографический паритет является бинарным (т.е. 50% представляет равенство), в то время как для пересекающихся групп паритет равен 25%. ⁴. Опять же, это, очевидно, сокращение.
Основываясь на этих методах, я заметил, что Стабильная диффузия, когда дается нейтральная по полу и оттенку кожи подсказка для создания изображения врача, смещается в сторону создания изображений воспринимаемых мужских фигур с более светлой кожей. Он также демонстрирует значительную предвзятость в отношении фигур с более темной кожей, а также заметную предвзятость в отношении воспринимаемых женских фигур в целом⁴:
Эти выводы существенно не отличаются при учете ширины доверительного интервала вокруг точечных оценок по отношению к связанным маркерам демографического паритета подгрупп.
На этом работа над несправедливой предвзятостью в машинном обучении обычно может остановиться. Однако, недавняя работа Джареда Кацмана и др. др. делает полезное предложение, что мы могли бы пойти дальше; преобразование общего «несправедливого предубеждения» в таксономию репрезентативного вреда, которая помогает нам более точно диагностировать неблагоприятные последствия, а также более точно нацеливать меры по смягчению последствий⁸. Я бы сказал, что это требует определенного контекста использования. Итак, давайте представим, что эта система используется для автоматического создания изображений врачей, которые отображаются в режиме реального времени на странице приема в медицинскую школу университета. Возможно, как способ настроить опыт для каждого посещающего пользователя. В этом контексте, используя таксономию Кацмана, мои результаты предполагают, что такая система может стереотипные социальные группы⁸ за счет систематического недопредставления затронутых подгрупп (фигуры с более темным оттенком кожи и предполагаемыми женскими характеристиками). Мы могли бы также рассмотреть, могут ли эти типы отказов лишить людей возможности самоидентифицироваться⁸ по доверенности, несмотря на то, что изображения генерируется и не представляют реальных людей.
Важно отметить, что Модельная карта Huggingface для стабильной диффузии v1–4 самораскрывает тот факт, что LAION5B и, следовательно, сама модель могут не иметь демографического паритета в обучающих примерах и, как таковые, могут отражать предубеждения, присущие обучающему распределению (включая сосредоточиться на английском языке, западных нормах и системных западных моделях использования Интернета)⁵. Таким образом, выводы этого исследования не являются неожиданными, но шкала несоответствия может быть полезна для практиков, рассматривающих конкретные варианты использования; выделение областей, где могут потребоваться активные меры по смягчению последствий до принятия решений по модели.
В моем следующая статья я займусь Задача №2: количественное исследование смещение выборки в наборе данных LAION5B для Stable Diffusion и сравнивая его с результатами Задача №1.
- Глоссарий по машинному обучению: справедливость, 2022, Гугл
- Начните использовать шкалу тонов кожи монаха, 2022, Гугл
- Сгенерированные изображения из исследования, 2022, Дэни Терон
- Код из исследования, 2022, Дэни Терон
- Стабильная диффузия v1–4, 2022, Stability.ai и Huggingface
- Интерфейс поиска клипов LAION5B, 2022, Ромен Бомон
- Оценщик рассматривает результаты исследования, 2022, Дэни Терон
- Репрезентативный вред в маркировке изображений, 2021, Джаред Кацман и др.
Благодарим Сюань Ян и [ОЖИДАЕТ СОГЛАСИЕ РЕЦЕНЗЕНТА] за их вдумчивый и тщательный обзор и отзывы об этой статье.
#mailpoet_form_1 .mailpoet_form { }
#mailpoet_form_1 form {margin-bottom: 0; }
#mailpoet_form_1 .mailpoet_column_with_background {padding: 0px; }
#mailpoet_form_1 .wp-block-column:first-child, #mailpoet_form_1 .mailpoet_form_column:first-child { дополнение: 0 20px; }
#mailpoet_form_1 .mailpoet_form_column: not (: first-child) { margin-left: 0; }
#mailpoet_form_1 h2.mailpoet-heading {margin: 0 0 12px 0; }
#mailpoet_form_1 .mailpoet_paragraph { высота строки: 20 пикселей; нижняя граница: 20px; }
#mailpoet_form_1 .mailpoet_segment_label, #mailpoet_form_1 .mailpoet_text_label, #mailpoet_form_1 .mailpoet_textarea_label, #mailpoet_form_1 .mailpoet_select_label, #mailpoet_form_1 .mailpoet_radio_label, #mailpoet_form_1 .mailpoet_checkbox_label, #mailpoet_form_1 .mailpoet_list_label, #mailpoet_form_1 .mailpoet_date_label { display: block; вес шрифта: нормальный; }
#mailpoet_form_1 .mailpoet_text, #mailpoet_form_1 .mailpoet_textarea, #mailpoet_form_1 .mailpoet_select, #mailpoet_form_1 .mailpoet_date_month, #mailpoet_form_1 .mailpoet_date_day, #mailpoet_form_1 .mailpoet_date_year, #mailpoet_form_1 .mailpoet_date { display: блок; }
#mailpoet_form_1 .mailpoet_text, #mailpoet_form_1 .mailpoet_textarea { ширина: 200 пикселей; }
#mailpoet_form_1 .mailpoet_checkbox { }
#mailpoet_form_1 .mailpoet_submit { }
#mailpoet_form_1 .mailpoet_divider { }
#mailpoet_form_1 .mailpoet_message { }
#mailpoet_form_1 .mailpoet_form_loading { ширина: 30 пикселей; выравнивание текста: по центру; высота строки: нормальная; }
#mailpoet_form_1 .mailpoet_form_loading > span { ширина: 5px; высота: 5 пикселей; цвет фона: #5b5b5b; }#mailpoet_form_1{граница-радиус: 3px;фон: #27282e;цвет: #ffffff;выравнивание текста: по левому краю;}#mailpoet_form_1 form.mailpoet_form {padding: 0px;}#mailpoet_form_1{width: 100%;}#mailpoet_form_1 . mailpoet_message {маржа: 0; отступ: 0 20px;}
#mailpoet_form_1 .mailpoet_validate_success {цвет: #00d084}
#mailpoet_form_1 input.parsley-success {цвет: #00d084}
#mailpoet_form_1 select.parsley-success {цвет: #00d084}
#mailpoet_form_1 textarea.parsley-success {цвет: #00d084}
#mailpoet_form_1 .mailpoet_validate_error {цвет: #cf2e2e}
#mailpoet_form_1 input.parsley-error {цвет: #cf2e2e}
#mailpoet_form_1 select.parsley-error {цвет: #cf2e2e}
#mailpoet_form_1 textarea.textarea.parsley-error {цвет: #cf2e2e}
#mailpoet_form_1 .parsley-errors-list {цвет: #cf2e2e}
#mailpoet_form_1 .петрушка-требуется {цвет: #cf2e2e}
#mailpoet_form_1 .parsley-custom-error-message {цвет: #cf2e2e}
#mailpoet_form_1 .mailpoet_paragraph.last {нижнее поле: 0} @media (максимальная ширина: 500 пикселей) {#mailpoet_form_1 {фон: #27282e;}} @media (минимальная ширина: 500 пикселей) {#mailpoet_form_1 .last .mailpoet_paragraph: последний дочерний элемент {поле внизу: 0}} @media (максимальная ширина: 500 пикселей) {#mailpoet_form_1 .mailpoet_form_column:последний ребенок .mailpoet_paragraph:последний ребенок {поле внизу: 0}}
Несправедливая предвзятость по полу, оттенкам кожи и группам пересечений в сгенерированных изображениях стабильной диффузии, переизданных из источника https://towardsdatascience.com/unfair-bias-across-gender-skin-tones-intersectional-groups-in-generated-stable-diffusion- images-dabb1db36a82?source=rss—-7f60cf5620c9—4 через https://towardsdatascience.com/feed
<!–
->
- Bitcoin
- БизнесстроительМайк
- блокчейн
- соответствие блокчейна
- блочная конференция
- Блокчейн-консультанты
- coinbase
- Coingenius
- Консенсус
- криптоконференция
- криптодобыча
- криптовалюта
- децентрализованная
- Defi
- Цифровые активы
- Эфириума
- обучение с помощью машины
- невзаимозаменяемый токен
- Платон
- Платон Ай
- Платон Интеллектуальные данные
- Платоблокчейн
- ПлатонДанные
- платогейминг
- Polygon
- Доказательство доли
- W3
- зефирнет