保持公平！确保跨指导尺度的扩散模型的群体公平性

扩散模型通过可调节的指导尺度来引导条件生成，以权衡快速对齐和多样性。然而，现有的去偏技术是针对单一尺度进行优化的，当用户调整该参数时，会降低公平性。我们通过将总偏差分解为两个部分，将这种行为追溯到以前被忽视的来源：模型偏差和指导偏差。虽然之前的工作主要针对前者，但我们表明指导偏差随着指导规模单调增长，最终主导用户喜欢的高指导制度。为了解决这个问题，我们将强大的人口统计平等扩展到指导，并得出一个条件，在该条件下目标分布在指导范围内保持其群体比例。我们提出了 StayFair，它利用这种条件来设计两种制度下的公平引导算法。对于分类器指导，它均衡了分类器在组之间的输出分布；对于无分类器的指导，它通过提示相关的偏移量来改变空嵌入。由于 StayFair 仅修改指导步骤，因此它与模型去偏是正交的，并且可以分层到现有的公平扩散模型上，以将其公平性扩展到指导尺度上。在类条件和文本到图像的生成中，StayFair 将公平性与指导尺度解耦，而不牺牲图像质量。