通过原创性估计和泛化解决人工智能图像生成中的版权问题.
Hiroaki Chiba-Okabe1,2, Weijie J Su3,4
1Department of Statistics and Data Science, Wharton School, University of Pennsylvania, Philadelphia, PA, 19104, USA.
Scientific reports
|March 28, 2025
概括
这项研究引入了一种新的泛化方法,以减少生成AI中的版权侵权风险. PREGen技术显著降低了人工智能产生受版权保护的字符的机会,促进了负责任的AI开发.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 知识产权法 知识产权法 知识产权法
背景情况:
- 生成性人工智能的快速发展引发了大量的版权问题,众多的诉讼证明了这一点.
- 人工智能模型可以生成受版权保护的角色的图像,这带来了法律和道德上的挑战.
- 现有的AI版权减轻技术存在局限性,留下了相当大的风险.
研究的目的:
- 为生成人工智能输出提出一种新的泛化方法,以减轻版权侵权.
- 在生成模型中开发一个用于量化数据原创性的指标.
- 引入PREGen (提示重写增强的通用化) 作为一个实际的实现.
主要方法:
- 开发了一种泛化技术来修改人工智能模型的输出,减少对版权特征的模仿.
- 引入了一种指标,通过从生成模型中抽取样本来量化数据原创性.
- 通过将泛化方法与现有技术相结合,实现了PREGen.
主要成果:
- 在提示符中使用字符名称时,PREGen将版权保护字符的生成减少了50%以上.
- 当名字没有明确提到时,PREGen几乎消除了受版权保护的字符的生成.
- 开发的原创性指标在泛化过程中得到了有效的应用.
结论:
- 拟议的泛化方法和PREGen为加强对生成AI的版权保护提供了实际解决方案.
- 这项研究推进了对负责任的人工智能开发和版权遵守的计算方法.
- 这些发现提供了方法来降低人工智能产生侵权内容的可能性.

