KG-FairDiff：知识图引导的提示细化，用于人口统计上公平的文本到图像生成

文本到图像 (TTI) 系统现在是新闻、教育、广告和公共传播的日常基础设施，它们从训练数据中继承的人口和文化刻板印象（使妇女、有色人种、老年人和非西方文化代表性不足或被讽刺化）在部署规模上成为人口层面的危害。现有的缓解措施要么需要昂贵的再训练，这对于主导消费产品的闭源骨干来说是不可行的，要么依赖于忽略文化背景的固定人口统计模板。我们提出了 KG-FairDiff，一个与模型无关的推理时间框架，它将公平感知提示细化形式化为约束优化问题，并将其操作为闭环管道：约 1,200 个文化和偏见相关三元组的知识图检索结构化上下文，LLM 重写器提出细化，验证器仅接受减少基于分歧的公平性损失的提示，同时保持对用户原始意图的语义保真度。我们证明了细化循环的有限终止界限，提供了一个数学上一致的评估套件，将 Bias-P/Bias-W 与目标分布的发散以及 ENS 与 KL 发散联系起来，并审核了八个广泛部署的骨干生成器。 KG-FairDiff 大幅减少了性别、种族、年龄和交叉差异，同时保留了提示语义，为更公平的生成人工智能提供了实用的、可部署的途径。