生成型人工智能中数据的知识产权保护方法评述

Apr, 2024

生成型人工智能中数据的知识产权保护方法评述

U Can't Gen This? A Survey of Intellectual Property Protection Methods for Data in Generative AI

Tanja Šarčević, Alicja Karlowicz, Rudolf Mayer, Ricardo Baeza-Yates, Andreas Rauber

TL;DR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。

Abstract

Large Generative AI (GAI) models have the unparalleled ability to generate text, images, audio, and other forms of media that are increasingly indistinguishable from human-generated content. As these models often train on publicly available data, including copyrighted materials, art and other creative works, they inadvertently risk violating copyright and mi

generative ai models copyright violation intellectual property rights misuse technical solutions

发现论文，激发创造

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

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

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

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

生成 AI 版权挑战的经济解决方案

Apr, 2024

评估和缓解视觉生成人工智能中的知识产权侵权

通过对视觉生成 AI 模型进行广泛评估，我们发现当输入提示包含角色的名称或其特征的描述时，最先进的视觉生成模型能够生成与主要娱乐公司（如索尼、漫威和任天堂）持有的知识产权相似的内容，由此引发潜在的法律担忧。为了减轻此类知识产权侵权问题，我们提出一种防御方法，通过在扩散过程中利用引导技术，开发了一种修订生成范例，这种范例能够识别可能侵权的生成内容，并在整个扩散过程中减轻侵权行为，而无需重新训练或微调预训练模型。对 Spider-Man、Iron Man 和 Superman 等知名角色的实验表明了所提出的防御方法的有效性。

Jun, 2024

一次训练中的数据 Shapley

Jun, 2024

应对 GenAI 版权问题：原创性估计与泛化

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

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

生成对抗网络的所有权保护

提出了一种基于目标模型及其盗版模型共同特征的新型所有权保护方法，无需重新训练目标模型，能够有效抵御现有模型提取攻击和自适应攻击，并在实验中取得了最佳保护效果。

Jun, 2023