Towards Mode Balancing of Generative Models via Diversity Weights

要約

大規模なデータ駆動型の画像モデルは、創造的で芸術的な作品をサポートするために広く使用されています。
現在主流の分布フィッティング パラダイムでは、データセットは可能な限り近似されるグランド トゥルースとして扱われます。
しかし、多くのクリエイティブなアプリケーションは多様な出力を要求しており、クリエイターは特定のデータ分布から積極的に逸脱しようと努めることがよくあります。
より高い出力ダイバーシティという目標に対応するには、純粋なモード カバレッジからモード バランシングに至るまでのモデリング目標の調整が必要であると主張します。
トレーニング データセット内のモードのバランスをとることでモデルの出力の多様性を高めるトレーニング スキームである多様性の重みを紹介します。
制御された設定での最初の実験は、私たちの方法の可能性を実証します。
より一般的には生成的機械学習、特に計算上の創造性における多様性、公平性、包括性に対する私たちのアプローチの関連性について説明します。
私たちのアルゴリズムの実装は、https://github.com/sebastianberns/diversity-weights で入手できます。

要約(オリジナル)

Large data-driven image models are extensively used to support creative and artistic work. Under the currently predominant distribution-fitting paradigm, a dataset is treated as ground truth to be approximated as closely as possible. Yet, many creative applications demand a diverse range of output, and creators often strive to actively diverge from a given data distribution. We argue that an adjustment of modelling objectives, from pure mode coverage towards mode balancing, is necessary to accommodate the goal of higher output diversity. We present diversity weights, a training scheme that increases a model’s output diversity by balancing the modes in the training dataset. First experiments in a controlled setting demonstrate the potential of our method. We discuss connections of our approach to diversity, equity, and inclusion in generative machine learning more generally, and computational creativity specifically. An implementation of our algorithm is available at https://github.com/sebastianberns/diversity-weights

arxiv情報

提供元, 利用サービス

arxiv.jp, Google