Avancer l'IA éthique : équité, diversité et confidentialité dans la modélisation generative

Advancing Ethical AI : Fairness, Diversity, and Privacy in Generative Modeling

• Auteur / Autrice : Mariia Zameshina
• Direction : Laurent Najman, Olivier Teytaud
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 26/03/2024
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009) - Laboratoire d'informatique de l'Institut Gaspard Monge (1997-2009)
• Jury : Président / Présidente : Julia Kempe
• Jury : Examinateurs / Examinatrices : Laurent Najman, Olivier Teytaud, Liva Ralaivola, Jean-Michel Loubès, Emily Wenger, Stéphane Lathuiliere
• Jury : Rapporteur / Rapporteuse : Liva Ralaivola, Jean-Michel Loubès

Mots clés

Mots clés contrôlés

Droit à l'image

Protection de l'information (informatique)

Traitement d'images

Morale

Intelligence artificielle

Mots clés libres

IA éthique

Modélisation generative

Équité

Diversité

Confidentialité

Ethical AI

Generative Modeling

Fairness

Diversity

Privacy

Résumé

Cette thèse explore les considérations éthiques dans la modélisation générative, se concentrant sur la vie privée, la diversité et l'équité dans la génération d'images. Nous proposons des méthodes pour améliorer la diversité des images, y compris une technique appelée ''Diverse Diffusion'', qui encourage la production d'images variées au-delà des aspects de genre et d'ethnicité. Nous introduisons également PrivacyGAN, une méthode robuste pour protéger les informations sensibles dans les images faciales. En outre, nous concevons des algorithmes d'équité non supervisés pour traiter les problèmes d'équité et de collapse des modes dans la modélisation générative

This thesis investigates the ethical considerations in generative modeling, focusing on privacy, diversity, and fairness in image generation. We propose methods to enhance image diversity, including ''Diverse Diffusion,'' which encourages the generation of varied images beyond gender and ethnicity. We also introduce PrivacyGAN, a robust method for protecting sensitive information in facial images. Additionally, we design unsupervised fairness algorithms to address issues of fairness and mode collapse in generative modeling