生成的データ拡張が害を及ぼすとき: AI分類システムにおける偏り是正のためのGANと拡散モデルのベンチマーク研究

要約: 生成モデルはAIの学習パイプラインにおけるクラス不均衡を補うために広く用いられているが、少量データ条件下でのその失敗モードは十分に理解されていない。本論文は、極めて細かな動物分類タスクに適用された三つのデータ拡張戦略を比較する統制されたベンチマークを報告する。従来の変換、FastGAN、LoRAを用いて微調整した Stable Diffusion 1.5。Oxford-IIIT Pet Dataset を用い、人工的に不均衡な品種を8種含むデータセットを用いて、FastGAN の拡張は訓練データが非常に少ない場合に単に性能が低下するだけでなく、分類器のバイアスを積極的に増大させることを見出した。3つの乱数シードにわたって統計的に有意な大きな効果が認められた（バイアスギャップの増加: +20.7%、Cohen's d = +5.03、p = 0.013）。ここでの効果量は、シードの数が少ないにもかかわらず、所見の方向性に自信を与えるのに十分な大きさである。t分布型確率的近傍埋め込みを用いた特徴埋め込み分析は、重度の少数派品種のFastGAN画像が実画像分布の外に緊密な孤立クラスタを形成することを示しており、モード崩壊と一致するパターンである。LoRAを用いた Stable Diffusion が総じて最良の結果を示し、最高のマクロF1（0.9125 ± 0.0047）を達成し、拡張なしのベースラインに対してバイアスギャップを13.1%低減した。データは、クラスごとに20〜50枚の訓練画像の間に、GAN拡張がこの設定では有害になる閾値が存在する可能性を示唆している。ただし、その閾値をより正確に特定するには、追加の領域でのさらなる検討が必要である。すべての実験は、6〜8 GBのメモリを搭載した一般消費者向けGPU上で実行され、クラウド計算は必要ありません。