डीपी-आरडीएम: बिना फाइन-ट्यूनिंग के निजी डोमेन के लिए प्रसार मॉडल का अनुकूलन

टेक्स्ट-टू-इमेज डिफ्यूजन मॉडल्स में सैंपल-लेवल मेमोराइजेशन की समस्या देखी गई है, जो संभवतः उन छवियों की लगभग सटीक प्रReplica का पुनरुत्पादन कर सकती है जिन पर इन्हें प्रशिक्षित किया गया है, जो अवांछनीय हो सकता है। इस समस्या को हल करने के लिए, हम पहला विभाजन-संवेदनशील (डीपी) पुनर्प्राप्ति-संवर्धित उत्पादन एल्गोरिदम विकसित करते हैं जो उच्च गुणवत्ता वाली छवि नमूने उत्पन्न करने में सक्षम है जबकि प्रमाणित गोपनीयता गारंटी प्रदान करता है। विशेष रूप से, हम एक छोटे सार्वजनिक डेटा सेट पर प्रशिक्षित टेक्स्ट-टू-इमेज डिफ्यूजन मॉडल तक पहुंच मानते हैं, और एक डीपी पुनर्प्राप्ति तंत्र का डिज़ाइन करते हैं जो टेक्स्ट प्रॉम्प्ट को एक निजी पुनर्प्राप्ति डेटासेट से प्राप्त किए गए नमूनों के साथ बढ़ाता है। हमारा विभाजन-संवेदनशील पुनर्प्राप्ति-संवर्धित डिफ्यूजन मॉडल (डीपी-आरडीएम) किसी अन्य डोमेन के लिए अनुकूलन के लिए पुनर्प्राप्ति डेटासेट पर कोई फाइन-ट्यूनिंग की आवश्यकता नहीं है, और उच्च गुणवत्ता वाले छवि नमूने उत्पन्न करने के लिए अत्याधुनिक जनरेटिव मॉडल का उपयोग कर सकता है जबकि कठोर डीपी गारंटी को संतुष्ट करता है। उदाहरण के लिए, जब एमएस-कोको पर मूल्यांकित किया गया, तो हमारा डीपी-आरडीएम एक गोपनीयता बजट =10 के साथ नमूने उत्पन्न कर सकता है, जबकि सार्वजनिक-केवल पुनर्प्राप्ति की तुलना में 10,000 क्वेरी तक 3.5 अंक में सुधार प्रदान करता है।