Resumen: El tema generalizado del sesgo en la IA presenta un desafío significativo para la clasificación de pintura, y se está volviendo más grave a medida que estos sistemas se integran cada vez más en tareas como la curación y la restauración del arte. Los sesgos, a menudo derivados de conjuntos de datos desequilibrados donde ciertos estilos artísticos dominan, comprometen la equidad y la precisión de las predicciones del modelo, es decir, los clasificadores son menos precisos en las pinturas raramente vistas. Si bien la investigación previa ha avanzado en la mejora del rendimiento de la clasificación, ha pasado por alto la necesidad crítica de abordar estos sesgos subyacentes, es decir, cuando se trata de datos fuera de distribución (OOD). Nuestra visión destaca la necesidad de un enfoque más robusto para la mitigación de sesgo en modelos de IA para la clasificación de arte en datos de capacitación sesgados. Proponemos un nuevo método de muestreo de muestreo adaptativo de sesgo modelo informado con OOD llamado Boost (muestreo y ajuste OOD orientado al sesgo). Aborda estos desafíos ajustando dinámicamente las probabilidades de escala de temperatura y muestreo, promoviendo así una representación más equitativa de todas las clases. Evaluamos nuestro enfoque propuesto para los conjuntos de datos Kaokore y PACS, centrándonos en la capacidad del modelo para reducir el sesgo de clase. Además, proponemos una nueva puntuación métrica, la misma puntuación de detección de dataset OOD (SODC), diseñada para evaluar la separación de clase y la reducción de sesgo por clase. Nuestro método demuestra la capacidad de equilibrar el alto rendimiento con justicia, por lo que es una solución robusta para impedir modelos de IA en el dominio del arte.
Publicado Originalme en export.arxiv.org El 10 de julio de 2025.
Ver Fuente Original
