Data Shapley in One Training Run

生成式人工智能系统通过对大型数据集的训练，可以生成新的文本、图像、视频和其他媒体。人们越来越担心这种系统可能会侵犯训练数据贡献者的版权利益。为了解决生成式人工智能的版权挑战，我们提出了一个框架，按照版权所有者对AI生成内容的贡献比例进行补偿。贡献度量是通过利用现代生成式AI模型的概率性质，并使用经济合作博弈理论的技术来定量确定的。该框架可以建立一个平台，使AI开发人员受益于高质量的训练数据，从而提高模型性能。同时，版权所有者获得公平的补偿，推动继续提供用于生成模型训练的相关数据。实验表明，我们的框架成功地识别了艺术品生成中使用的最相关数据源，确保版权所有者之间的收益公平可解释分配。

解决版权问题，如何为训练数据的贡献者提供公平的补偿？

提出一种基于概率和合作博弈理论的框架，通过量化贡献度来为版权所有者提供公平的补偿，同时提高AI模型的性能。

论文的框架成功识别了艺术生成中最相关的数据源，确保版权所有者之间的收益分配是公平且可解释的。实验结果表明，该框架能够为AI开发者提供高质量的训练数据，同时为版权所有者提供公平的补偿。

最近的相关研究包括： 1. Learning to Generate Images with Perceptual Similarity Metrics 2. Image Generation from Sketch Constraint Using Contextual GAN 3. Generative Adversarial Text to Image Synthesis