一次训练中的数据 Shapley
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
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
通过使用 Shapley 值来量化艺术家在生成图片中的贡献并公平分配奖励,本研究提出了一种结构化模型开发者和数据提供者之间合作的方法。
Mar, 2024
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
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
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
通过引入量化数据原创性的度量标准,并采用泛化方法,修改生成模型的输出以符合版权要求,实验结果表明该方法可以成功将文本到图像生成模型的输出转化为更通用符合版权的图像。
Jun, 2024
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
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