A Taxonomy of the Biases of the Images created by Generative Artificial Intelligence

生成式人工智能模型表现出惊人的性能，只需用户提供一个提示，就能自动创建独特的内容，这正在革新多个领域，如市场营销和设计。不仅有生成文本的模型，还有能够自动生成高质量真实图像和视频的模型。虽然图像创建的性能似乎令人印象深刻，但必须慢慢评估这些模型生成的内容，因为用户正在大量上传这些材料到互联网上。需要批判的是，生成式人工智能是统计模型，其参数值是根据最大化参数的可能性的算法估计给定图像数据集的。因此，如果图像数据集偏向于某些易受攻击的变量（如性别或肤色），我们可能会发现这些模型生成的内容对某些人群是有害的。通过生成这些内容并由用户上传到互联网上，这些偏见会使易受攻击的群体的有害刻板印象永久化，使社会对于美丽或残疾等问题的看法出现极化。在这项工作中，我们详细分析了这些模型生成的内容如何在许多变量方面存在强烈的偏见，我们将这些变量组织成了一个新的图像生成式人工智能分类法。我们还讨论了这些偏见的社会、政治和经济影响以及可能减轻它们的方法。

解决生成对抗网络（GANs）在生成图像时可能存在的偏见问题，如性别、肤色等。

通过提出新的图像生成AI分类法，对GANs生成的图像进行详细分析，发现其中存在的偏见，并提出减轻这些偏见的方法。

使用了大量的数据集和实验，证明了GANs生成的图像存在偏见，并提出了多种减轻偏见的方法，如使用平衡数据集、引入潜在变量等。此外，还讨论了这些偏见可能带来的社会、政治和经济影响。

最近的相关研究包括：《ImageNet大规模视觉识别挑战》、《深度神经网络中的偏差和方差》、《使用生成对抗网络生成图像的技术综述》等。