Beim Erstellen eines Modells zur Generierung von Bildern von Personen in verschiedenen Berufen stellen Sie fest, dass die Trainingsdaten voreingenommen sind und bestimmte Attribute die Ausgaben verzerren. Welche Mitigationstechnik behebt dieses Problem?

Datenerweiterung für unausgewogene Klassen ist die effektivste Technik, da sie die Trainingsdaten durch Generierung neuer, synthetischer Beispiele für unterrepräsentierte Klassen ausgleicht. Dies reduziert die Verzerrung, die durch unausgewogene Daten verursacht wird, und verbessert die Fähigkeit des Modells, Personen in verschiedenen Berufen fair darzustellen. Modellüberwachung für die Klassenverteilung ist eine Nach-Modell-Technik, die das Problem nicht direkt behebt. Retrieval Augmented Generation (RAG) ist für Textgenerierung gedacht und nicht direkt anwendbar. Wasserzeichenerkennung für Bilder ist eine Sicherheitstechnik und irrelevant für Datenverzerrung.