Sep, 2023

DECORAIT -- 分布式 AI 训练选择进 / 出注册表

PDF
TL;DR通过分布式注册表 DECORAIT，内容创作者可以选择加入或退出 AI 训练，同时获得他们贡献的奖励；使用 AI 模型在公共资源来源上进行大量数据采集来合成图片，对于希望公开分享作品而不愿意训练的模型和内容创作者来说，数据治理成为一个挑战；通过分布式账本技术和视觉指纹技术组合，使用 C2PA 标准建立安全开放的注册表，追踪 GenAI 训练数据的来源，以确定训练的同意和回报为贡献数据的创作者提供奖励。
decoraitdecentralized registryai traininggenaiprovenance of training data
发现论文，激发创造
  • 去中心化人工智能基础批评

    这篇论文通过对 71 项研究的发现进行系统文献回顾，主要关注分散式人工智能解决方案和网络的构建模块，从底层开始分析，提出未来研究方向和悬而未决的问题。

    Feb, 2024

  • 区块链上的去中心化与协作型人工智能

    本研究提出了一种基于区块链的框架，通过智能合约共同构建数据集并持续更新模型，使其在公共场所免费使用，并采用金融和非金融激励机制以保证数据的准确性。

    Jul, 2019

  • 创造力自动化

    基于强化学习方法和计算创造力的不同研究流派，本文提出了一个三重引导 - 响应 - 奖励工程框架，以提高生成人工智能（GenAI）的创造能力。该框架包括了引导模型、响应模型和奖励模型，通过开发创造性的引导、生成出令人惊喜和创新性的输出，并结合 AI、创作者 / 管理者和客户的反馈，逐步提高生成人工智能的创造力。

    May, 2024

  • EKILA：用于生成艺术的合成媒体溯源和归因

    EKILA 是一个分散化的框架，结合视觉归属技术和内容出处标准解决合成图像的来源问题，同时通过引入非替代通证生态系统来赋予训练内容的使用所有权、官网授权和归属表示的能力，使得图片的创作者可以授权到图片被应用到 GenAI 中所得到的收益。

    Apr, 2023

  • 一次训练中的数据 Shapley

    通过概率生成人工智能模型和协作博弈理论，我们提出了一个补偿版权所有者的框架，以解决生成人工智能的版权挑战，并确保公平分配收益。

    Jun, 2024

  • 应对生成式人工智能数据生命周期中的隐私和版权挑战

    生成式人工智能在模拟真实图像、文本和数据模式方面展示了令人瞩目的能力，然而，大规模数据集的使用引发了对数据隐私和版权侵权的担忧，传统方法只能提供问题的局部解决方案。我们的论文对数据生命周期内的隐私和版权保护面临的多层面挑战进行了深入研究，并主张综合技术创新与伦理思考来综合性地解决这些问题，以生命周期的视角开展调查和设计解决方案，旨在激发更广泛的讨论，并在生成式人工智能中积极推动数据隐私和版权完整性的共同努力。

    Nov, 2023

  • 分散智能网络 (DIN)

    分布式智能网络 (DIN) 通过解决数据碎片化和封闭性造成的数据主权和人工智能利用方面的重要挑战，提供了一个全面的框架。该框架通过以下方式逾越了以往由碎片化所导致的对可扩展数据源的访问障碍：1) 将个人数据存储作为数据主权的先决条件；2) 在公共区块链上实施可扩展的联邦学习协议，用于去中心化的人工智能训练，数据仅与参与者共享模型参数更新；以及 3) 可扩展的、无信任的奖励机制，以激励参与，并确保公平的奖励分配。该框架确保没有实体可以阻止或控制对参与者提供的数据进行训练的访问，也不确定经济利益，因为这些过程在具有不可变记录且没有第三方的公共区块链上进行。它支持有效的人工智能训练，让参与者保持对其数据的控制，从中获得经济利益，并为一个去中心化、可扩展的生态系统做出贡献，充分利用集体人工智能来发展有益的算法。

    Jul, 2024

  • 双重治理：中央监管与众包安全机制在生成式人工智能中的交叉

    通过实施 Dual Governance 框架，我们认为可以促进创新和创造力，同时确保生成 AI 的安全和道德部署。

    Aug, 2023

  • 生成 AI 版权挑战的经济解决方案

    我们提出了一个框架，通过依靠现代生成型人工智能模型的概率性质和经济学中的合作博弈理论技术，按比例向版权所有者补偿其对人工智能生成内容的贡献，实现对生成型人工智能版权的解决。实验证明，我们的框架成功地识别了艺术品生成中使用的最相关的数据源，确保在版权所有者之间公平而可解释的收益分配。

    Apr, 2024

  • 具审计能力的基于同态加密的去中心化协作人工智能与基于属性的差分隐私

    通过引入同态加密和细粒度差分隐私，我们提出了一种名为 AerisAI 的新型分布式协作人工智能框架，以改善安全性，直接使用基于区块链智能合约的加密参数进行聚合，消除了对可信第三方的需求，并提供基于密文策略属性加密（CPABE）的广播感知组密钥管理，以实现基于不同服务级别协议的细粒度访问控制，通过理论分析和与其他基准的功能比较，我们提供了对 AerisAI 的形式化评估，并对真实数据集进行了广泛实验，实验结果表明我们提出的 AerisAI 明显优于其他最先进的基准算法。

    Feb, 2024