Het trainen van diffusiemodellen vereist omvangrijke datasets en hoge rekenkosten, waardoor zowel de toegankelijkheid als de duurzaamheid wordt beperkt. Dit onderzoek is gericht op het verbeteren van de trainingsefficiëntie door Bayesiaans actief leren te combineren met geavanceerde samplingstechnieken, zodat de meest informatieve samples worden geselecteerd, redundantie wordt verminderd en de convergentie wordt geoptimaliseerd. We behandelen ook de beperkte expressiviteit van de modellen voor kleine datasets, wat anders kan leiden tot modus-collapse en verminderde diversiteit. Door onzekerheidsbewuste methoden te integreren, bevorderen we een grotere diversiteit in de gegenereerde beelden. Onze aanpak ontwikkelt een adaptieve trainingsprocedure die efficiëntie, diversiteit en eerlijkheid in balans brengt. We passen dit raamwerk toe op het monitoren van productielijnen en medische beeldsynthese, waarbij de data-efficiëntie wordt verhoogd . Dit onderzoek draagt bij aan duurzame AI door rekenkosten te verlagen en ethische, hulpbronnenbewuste generatieve modellering te bevorderen.