本研究では、拡散モデルの出力にメモリゼーションが含まれることによる法的リスクを解決するため、Anti-Memorization Guidance (AMG)と呼ばれる新しい枠組みを提案している。
AMGは、メモリゼーションの主要な原因に対処する3つの特定のガイダンス手法から成る:
これらの手法を組み合わせることで、メモリゼーションを完全に排除しつつ、高品質な画像生成と良好なテキスト整合性を維持することができる。
また、AMGには自動的な類似性検出機能が備わっており、必要に応じてガイダンスを適用することで、オリジナルのサンプリングプロセスを最大限に保持しながら、プライバシーとユーティリティのバランスを最適化することができる。
実験の結果、AMGは既存の手法と比べて圧倒的にメモリゼーションを排除しつつ、画質とテキスト整合性を維持することが示された。さらに、無条件生成や クラス条件付き生成など、様々な生成タスクにおいても有効であることが確認された。
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Chen Chen,Da... om arxiv.org 04-02-2024
https://arxiv.org/pdf/2404.00922.pdfDiepere vragen