Durante la creazione di un modello per generare immagini di persone in diverse professioni, si scopre che i dati di training sono distorti e alcuni attributi alterano gli output. Quale tecnica di mitigazione risolve questo problema?

La data augmentation per classi sbilanciate è la tecnica corretta perché affronta direttamente il problema dei dati di training distorti. Aumentando la rappresentazione delle classi sottorappresentate (ad esempio, professioni meno comuni o gruppi demografici specifici), si riduce il bias nel dataset, permettendo al modello di imparare una distribuzione più equa e generare immagini più accurate e meno distorte. Il monitoraggio del modello per la distribuzione delle classi è utile per identificare il bias, ma non lo mitiga attivamente. Retrieval Augmented Generation (RAG) è una tecnica per migliorare i modelli linguistici con informazioni esterne, non per correggere bias nei dati di training di modelli generativi di immagini. Il rilevamento di watermark per le immagini è una tecnica di sicurezza per identificare l'origine delle immagini, non per correggere il bias.