Al construir un modelo para generar imágenes de personas en diferentes ocupaciones, encuentra que los datos de entrenamiento están sesgados y algunos atributos distorsionan los resultados. ¿Qué técnica de mitigación aborda este problema?

El aumento de datos para clases desequilibradas es la técnica correcta porque aborda directamente el problema del sesgo en los datos de entrenamiento. Al crear nuevas muestras sintéticas a partir de las clases minoritarias, se equilibra la distribución de los datos, lo que ayuda al modelo a aprender representaciones más justas y precisas, reduciendo la distorsión en los resultados. El monitoreo del modelo para la distribución de clases es una técnica de detección, no de mitigación. RAG (Generación Aumentada por Recuperación) es para modelos de lenguaje y no aplica aquí. La detección de marcas de agua es para la autenticación de imágenes, no para el sesgo de datos.