一种基于代理变量的文生图生成器种族差异测量方法

arXiv:2611.07132v1 公告类型：交叉发布 摘要：我们提出一种自动化方法，以真实人口统计基准为参照，审计文生图生成器中的表征偏差。我们的方法借鉴了美国反歧视法中使用的种族代理变量，对生成图像中种族表征的变化进行细粒度比较分析。我们按种族对每张生成图像进行分类，然后将模型生成结果的分布与公开的人口统计基准数据进行比较，以识别表征过度和表征不足的模式。我们还使用 CIELAB 值测量肤色，并计算图像组之间的余弦相似度，以捕捉人口统计比较无法揭示的偏差，例如不同种族和肤色之间的图像质量差异。我们报告了针对三个模型（Imagen 4 Fast、Stable Diffusion 3.5 Large Turbo 和 Flux Schnell）的测试实验，使用了三类代理变量（地理、职业和姓氏），每类包含 50 种变体。我们发现，不同模型之间以及不同代理变量类别之间均存在显著差异。例如，与其他受测模型相比，Imagen 4 Fast 中被归类为白人的图像表征过度更为严重，且生成图像中的肤色更浅、更趋同。在姓氏和地理提示词下，Imagen 4 Fast 对黑人人口的表征差异也最大。Stable Diffusion 3.5 Large Turbo 的生成结果总体上与人口普查数据偏离最远，但呈现的肤色范围最为多样。我们的方法提供了一种可推广且具有法律依据的审计工具，无需依赖隐含的规范性公平定义，即可揭示有关模型输出的详细信息。