Advancing Ethical AI : Fairness, Diversity, and Privacy in Generative Modeling
Avancer l'IA éthique : équité, diversité et confidentialité dans la modélisation generative
Résumé
This thesis investigates the ethical considerations in generative modeling, focusing on privacy, diversity, and fairness in image generation. We propose methods to enhance image diversity, including "Diverse Diffusion," which encourages the generation of varied images beyond gender and ethnicity. We also introduce PrivacyGAN, a robust method for protecting sensitive information in facial images. Additionally, we design unsupervised fairness algorithms to address issues of fairness and mode collapse in generative modeling
Cette thèse explore les considérations éthiques dans la modélisation générative, se concentrant sur la vie privée, la diversité et l'équité dans la génération d'images. Nous proposons des méthodes pour améliorer la diversité des images, y compris une technique appelée "Diverse Diffusion", qui encourage la production d'images variées au-delà des aspects de genre et d'ethnicité. Nous introduisons également PrivacyGAN, une méthode robuste pour protéger les informations sensibles dans les images faciales. En outre, nous concevons des algorithmes d'équité non supervisés pour traiter les problèmes d'équité et de collapse des modes dans la modélisation générative
| Origine | Version validée par le jury (STAR) |
|---|