[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

SustainDiffusion: Optimización de la sostenibilidad social y ambiental de los modelos de difusión estable

Created by
  • Haebom

Autor

Giordano d'Aloisio, Tosin Fadahunsi, Jay Choy, Rebecca Moussa, Federica Sarro

Describir

Este artículo presenta SustainDiffusion, un enfoque novedoso para mejorar la sostenibilidad social y ambiental del modelo de Difusión Estable (SD). SustainDiffusion busca reducir el sesgo de género y raza en las imágenes generadas, así como el consumo de energía, explorando la combinación óptima de hiperparámetros y estructuras de indicaciones. En comparación con el modelo SD existente, los resultados experimentales muestran una reducción del sesgo de género en un 68%, del sesgo de raza en un 59% y del consumo de energía en un 48%, manteniendo la calidad de la imagen. Esto demuestra que es posible sin necesidad de realizar ajustes ni cambios estructurales en el modelo.

Takeaways, Limitations

Takeaways:
Presentamos un método novedoso para mitigar los impactos sociales y ambientales de los modelos de generación de texto a imagen como la Difusión Estable.
Demostramos que es posible reducir simultáneamente el sesgo y el consumo de energía sin comprometer el rendimiento del modelo.
Sugerimos posibilidades para mejorar la sostenibilidad a través de hiperparámetros y optimización impulsada.
Puede obtener resultados consistentes y generalizables a través de una variedad de indicaciones.
Limitations:
No se puede asumir que el método actual aborde por completo todos los tipos de sesgo o influencias ambientales. Podrían requerirse pruebas más diversas y exhaustivas.
La reducción del consumo de energía se mide en un entorno de hardware específico y puede variar en otros entornos.
Debido a las limitaciones en las métricas de medición de sesgo utilizadas, es posible que no reflejen completamente el impacto social real.
👍