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

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

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

本文从伦理和法律的角度分析了将受版权保护的作品加入 AI 训练集中，辩论 AI 会否因此而受到限制，并评估了 AI 影响社会的成本和利益。

May, 2023

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

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

该研究旨在针对生成式人工智能在音乐产业中所引发的版权挑战，重点关注经济方面的问题，并提出了用于 AI 音乐生成平台的潜在版税模式。研究方法包括对 Spotify 和 YouTube 等现有版税模式进行详细分析，并将其适应于 AI 生成音乐的特殊背景。研究通过数据归属技术提出了解决 AI 生成音乐与训练数据中有影响力的受版权保护内容之间归属问题的算法解决方案，并通过实验结果验证了这些解决方案的有效性。该研究在生成式人工智能领域中首次整合了技术进步与经济和法律考虑，为 AI 技术的不透明性带来的挑战提供了计算版权解决方案。

Dec, 2023

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

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