PulseAugur
中
实时 19:17:04
English(EN) Aligned but Stereotypical? How System Prompts Shape Demographic Bias in LLM-Based Text-to-Image Models

新论文发现LLM文本到图像模型存在人口统计偏见

作者 PulseAugur 编辑部 · [1 个来源] ·

一项新的研究论文探讨了基于大型语言模型（LLM）的文本到图像（T2I）模型中的文本条件化如何引入人口统计偏见，即使在提示中未指定人口统计属性的情况下也是如此。研究发现，与非LLM基线相比，基于LLM的系统表现出更强的人口统计偏差。研究人员确定系统提示是影响这些偏见的关键因素，并提出了FairPro，一个旨在生成公平意识指令的框架，以在保留用户意图的同时减轻差异。 AI

影响 强调了生成式AI中潜在的人口统计偏见，并提供了一种改善图像生成公平性的方法。

排序理由 该集群包含一篇学术论文，详细介绍了关于基于LLM的文本到图像模型的研究结果，并提出了一个去偏框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · NaHyeon Park, Na Min An, Kunhee Kim, Soyeon Yoon, Jiahao Huo, Hyunjung Shim ·

    Aligned but Stereotypical? How System Prompts Shape Demographic Bias in LLM-Based Text-to-Image Models

    arXiv:2512.04981v2 Announce Type: replace-cross Abstract: Text-to-image (T2I) systems increasingly rely on Large Language Model (LLM)-based text conditioning to interpret and expand user prompts. While this improves prompt understanding and text-image alignment, we find that it c…

相关实体

相关话题