arXiv cs.CY· Mengting Wei, Aditya Gulati, Guoying Zhao, Nuria Oliver·· 11 小时前AI 评分37
情感提示词如何加剧 T2I 人脸生成的群体偏见：八款中西模型审计
Happy Young Women, Grumpy Old Men? Emotion-Driven Demographic Biases in Synthetic Face Generation
AI 导读
一项审计对 8 款 T2I 模型（4 款西方、4 款中国）在 7 种提示条件下生成 56,000 张人脸，发现所有模型都严重过度呈现年轻面孔，多数还过度呈现 White-coded 个体。负面情绪提示词（如悲伤、恐惧）会稳定地把输出推向 White、中年、男性编码面孔，并伴随更低的可感知吸引力。年轻×女性×Black 等交叉组合在多数模型中近乎消失，单属性审计无法捕捉这类复合缺失。
正文 · AI 翻译
摘要：来自文本到图像（T2I）模型的合成人脸已充斥数字媒体，但它们在情感条件化提示下的人口统计偏差仍鲜为人知。我们旨在系统性地审计情感条件化提示如何影响 T2I 模型生成的合成人脸在人口统计和感知吸引力方面的偏差，尤其关注交叉性模式以及不同模型家族之间的跨生态系统差异。我们审计了八个（4 个西方和 4 个中国）T2I 模型，并在七种提示条件下生成了 56,000 张人脸：一个中性基线以及六种情感条件。我们使用信息论散度指标量化了性别、种族、年龄和感知吸引力方面的偏差。我们进一步对组合人口统计属性进行了交叉性分析，并比较了西方和中国模型组之间的模式，以评估偏差行为的跨生态系统一致性和差异。所有模型都表现出对年轻面孔的强烈过度代表，大多数模型还过度代表白人编码个体。交叉性分析揭示了特定人口统计组合的复合性代表不足或近乎消失，例如年轻 × 女性 × 黑人面孔，这些面孔在模型中基本缺失，且无法被单属性审计捕捉。情感提示充当额外的人口统计选择器：负价情感（包括悲伤和恐惧）持续将输出转向白人、中年、男性编码面孔。这产生了一种价驱动的映射，同时也与生成面孔中较低的感知吸引力相关。这些发现表明，T2I 人脸生成中的人口统计偏差既普遍存在，又受情感条件塑造。它们强调需要将交叉性、情感条件化和多语言的人口统计审计作为标准部署前评估实践的一部分。
| 评论： | 45 页，18 幅图，27 张表 |
| 主题： | 计算机与社会（cs.CY）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2602.00032 [cs.CY] |
| （或此版本的 arXiv:2602.00032v4 [cs.CY]） | |
| https://doi.org/10.48550/arXiv.2602.00032 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Aditya Gulati [查看电子邮件]
[v1]
2026 年 1 月 18 日周日 13:35:51 UTC（4,463 KB）
[v2]
2026 年 2 月 3 日周二 08:10:05 UTC（4,463 KB）
[v3]
2026 年 6 月 22 日周一 15:21:09 UTC（12,389 KB）
[v4]
2026 年 10 月 16 日周五 13:54:34 UTC（12,707 KB）
来源：arXiv cs.CY · arxiv.org