Nov, 2023

应对生成式人工智能数据生命周期中的隐私和版权挑战

PDF
TL;DR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。
发现论文，激发创造
  • 不确定边界：生成式人工智能中的版权问题的多学科方法

    这篇文献综述了生成人工智能领域中与版权侵权相关的问题，包括侵权检测的方法、保护版权作品的现有技术、评估侵权行为的资源和工具，以及 AI 相关法规和提案，从多个学科角度全面阐述了 AI 驱动内容和版权的意义和问题。

    Mar, 2024

  • 生成式人工智能中的版权保护：技术视角

    从技术角度综述了版权保护，包括数据源权利保护和生成模型版权保护，探讨了数据所有者保护内容和合法利用 DGMs 的方法，以及防止模型盗取和识别特定模型生成结果的策略。同时，强调了现有技术限制和待开发领域，并讨论了版权保护对 Generative AI 可持续和道德发展的重要性。

    Feb, 2024

  • 版权是否可以归结于隐私？

    该论文探讨如何使用算法稳定技术保护受版权保护的内容免受生成 AI 模型的影响，并指出只是采用这些技术并不能等同于保护版权内容。

    May, 2023

  • 生成人工智能和版权：动态视角

    通过建立一个带有内生内容创作和 AI 模型发展的动态模型，我们研究了公平使用标准和 AI 版权可保护性对人工智能发展、AI 公司利润、创作者收入和消费者福利的影响，并揭示了这些影响如何受到各种经济和运营因素的影响，为政策制定者提供了动态、具体背景的决策方法和为全球监管环境中的商业领导者提供了见解。

    Feb, 2024

  • 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

  • 生成型人工智能中数据的知识产权保护方法评述

    大型生成型人工智能（GAI）模型可以生成逐渐无法区分是否人工生成的文本、图片、声音和其他形式的媒体。本文研究了训练数据的知识产权问题，重点关注生成模型的特性，探讨可能导致潜在知识产权侵犯的滥用行为，并提出了一个分类体系，对 GAI 中保护数据免受知识产权侵犯的技术解决方案进行系统评述。

    Apr, 2024

  • 企业部署隐私保护合成数据的挑战

    研究挑战性合成数据方案的企业部署，重点关注由大量个人高度敏感数据引起的隐私问题，并将挑战系统化为五个主要组别：i) 生成，ii) 基础架构和体系结构，iii) 治理，iv) 合规和规范，v) 采纳。此外，我们讨论了企业可以采用的战略和系统方法，以有效应对这些挑战并通过实现的解决方案建立信任。

    Jul, 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

  • 生成型人工智能与美国知识产权法

    生成型 AI 技术对艺术家权益、内容制作、数据收集、隐私、信息准确性和知识产权等方面产生了法律和伦理问题，尤其在是否侵犯了人类创作者的知识产权方面引发了法律挑战。AI 模型生成的结果能否满足现行法律下侵权的法定标准，各个法院的早期判断并不一致。

    Nov, 2023

  • 并非所有相似点都相等：利用数据驱动的偏见来指导 GenAI 版权争议

    这篇研究论文介绍了一种新方法，利用 GenAI 模型的学习能力进行版权法律分析，通过 GPT2 和 Stable Diffusion 模型进行了演示。该方法利用数据驱动的偏见来评估 GenAI 创建的作品的一般性，帮助确定版权范围，并提供了有关评估版权法律和制定政策的宝贵见解。

    Mar, 2024