論文の概要: Is Your AI Truly Yours? Leveraging Blockchain for Copyrights, Provenance, and Lineage
- arxiv url: http://arxiv.org/abs/2404.06077v1
- Date: Tue, 9 Apr 2024 07:32:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 15:39:15.370815
- Title: Is Your AI Truly Yours? Leveraging Blockchain for Copyrights, Provenance, and Lineage
- Title(参考訳): あなたのAIは本当にあなたのものだか? 著作権、保証、行程のためのブロックチェーンを活用する
- Authors: Yilin Sai, Qin Wang, Guangsheng Yu, H. M. N. Dilum Bandara, Shiping Chen,
- Abstract要約: textscIBisは、AIモデルのトレーニングに適したブロックチェーンベースのフレームワークである。
textscIBisは、データセット、ライセンス、モデルのオンチェーンレジストリと、オフチェーン署名サービスを統合する。
我々のフレームワークは、データとモデル証明と著作権の遵守に関する懸念に対処する。
- 参考スコア(独自算出の注目度): 3.114654787133255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As Artificial Intelligence (AI) integrates into diverse areas, particularly in content generation, ensuring rightful ownership and ethical use becomes paramount. AI service providers are expected to prioritize responsibly sourcing training data and obtaining licenses from data owners. However, existing studies primarily center on safeguarding static copyrights, which simply treats metadata/datasets as non-fungible items with transferable/trading capabilities, neglecting the dynamic nature of training procedures that can shape an ongoing trajectory. In this paper, we present \textsc{IBis}, a blockchain-based framework tailored for AI model training workflows. \textsc{IBis} integrates on-chain registries for datasets, licenses and models, alongside off-chain signing services to facilitate collaboration among multiple participants. Our framework addresses concerns regarding data and model provenance and copyright compliance. \textsc{IBis} enables iterative model retraining and fine-tuning, and offers flexible license checks and renewals. Further, \textsc{IBis} provides APIs designed for seamless integration with existing contract management software, minimizing disruptions to established model training processes. We implement \textsc{IBis} using Daml on the Canton blockchain. Evaluation results showcase the feasibility and scalability of \textsc{IBis} across varying numbers of users, datasets, models, and licenses.
- Abstract(参考訳): 人工知能(AI)は、特にコンテンツ生成において様々な分野に統合されるため、正当な所有権と倫理的利用が最重要となる。
AIサービスプロバイダは、責任を持ってトレーニングデータをソーシングし、データ所有者からライセンスを取得することを優先される。
しかし、既存の研究は主に静的著作権の保護に重点を置いており、これはメタデータ/データセットを転送可能/トレーディング機能付きで、継続する軌道を形作る訓練手順の動的な性質を無視している。
本稿では,AIモデルのトレーニングワークフローに適したブロックチェーンベースのフレームワークである‘textsc{IBis}を提示する。
\textsc{IBis}は、データセット、ライセンス、モデルのオンチェーンレジストリと、オフチェーン署名サービスを統合して、複数の参加者間のコラボレーションを容易にする。
我々のフレームワークは、データとモデル証明と著作権の遵守に関する懸念に対処する。
\textsc{IBis}は反復モデルの再トレーニングと微調整を可能にし、フレキシブルなライセンスチェックと更新を提供する。
さらに、‘textsc{IBis} は既存の契約管理ソフトウェアとのシームレスな統合のために設計されたAPIを提供する。
Canton ブロックチェーン上で Daml を用いて \textsc{IBis} を実装した。
評価結果は,ユーザ,データセット,モデル,ライセンスの数に応じて,‘textsc{IBis}’の実現可能性とスケーラビリティを示す。
関連論文リスト
- MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。
動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。
実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
論文 参考訳(メタデータ) (2024-10-25T16:20:46Z) - KModels: Unlocking AI for Business Applications [10.833754921830154]
本稿では、KModelのアーキテクチャと、それを形作る重要な決定について述べる。
KModelsにより、AI消費者は専用のデータサイエンティストの必要性を排除できる。
オンプレミスのデプロイメントに非常に適しているが、クラウド環境でも使用できる。
論文 参考訳(メタデータ) (2024-09-08T13:19:12Z) - An Economic Solution to Copyright Challenges of Generative AI [35.37023083413299]
生成人工知能システムは、新しいテキスト、画像、ビデオ、その他のメディアを生成するために訓練されている。
このようなシステムは、データコントリビュータのトレーニングに関する著作権権に侵害されるのではないか、という懸念が高まっている。
本稿では,AI生成コンテンツ作成への貢献に比例して著作権所有者を補償する枠組みを提案する。
論文 参考訳(メタデータ) (2024-04-22T08:10:38Z) - AgentOhana: Design Unified Data and Training Pipeline for Effective Agent Learning [98.26836657967162]
textbfAgentOhanaは、さまざまなシナリオにまたがって、異なる環境からエージェントのトラジェクトリを集約する。
AIエージェント用に調整された大規模なアクションモデルである textbfxLAM-v0.1 は、さまざまなベンチマークで例外的なパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-02-23T18:56:26Z) - DECORAIT -- DECentralized Opt-in/out Registry for AI Training [20.683704089165406]
私たちは、コンテンツクリエーターがAIトレーニングをオプトインまたはアウトする権利を主張できる分散レジストリであるDECORAITを紹介します。
GenAIは、公開ソースから抽出された大量のデータに基づいてトレーニングされたAIモデルを使用して、画像の合成を可能にする。
論文 参考訳(メタデータ) (2023-09-25T16:19:35Z) - CTP: Towards Vision-Language Continual Pretraining via Compatible
Momentum Contrast and Topology Preservation [128.00940554196976]
Vision-Language Continual Pretraining (VLCP)は、大規模なデータセット上でオフラインでトレーニングすることで、さまざまな下流タスクに対して印象的な結果を示している。
VLCP(Vision-Language Continual Pretraining)の研究を支援するために,我々はまず,包括的で統一されたベンチマークデータセットP9Dをコントリビュートする。
独立したタスクとしての各業界からのデータは、継続的な学習をサポートし、Webデータの事前学習をシミュレートする現実世界のロングテールな性質に準拠している。
論文 参考訳(メタデータ) (2023-08-14T13:53:18Z) - Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。
FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。
SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。
本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-11-20T10:49:22Z) - Privacy-Preserving Machine Learning for Collaborative Data Sharing via
Auto-encoder Latent Space Embeddings [57.45332961252628]
データ共有プロセスにおけるプライバシ保護機械学習は、極めて重要なタスクである。
本稿では、オートエンコーダによる表現学習を用いて、プライバシーを保護した組込みデータを生成する革新的なフレームワークを提案する。
論文 参考訳(メタデータ) (2022-11-10T17:36:58Z) - APPFLChain: A Privacy Protection Distributed Artificial-Intelligence
Architecture Based on Federated Learning and Consortium Blockchain [6.054775780656853]
APPFLChainと呼ばれる新しいシステムアーキテクチャを提案する。
これはHyperledger Fabricベースのブロックチェーンとフェデレーション学習パラダイムの統合アーキテクチャである。
我々の新しいシステムは、機密性の高い個人情報をサーバに共有する必要がないため、高いセキュリティとプライバシを維持することができる。
論文 参考訳(メタデータ) (2022-06-26T05:30:07Z) - Leveraging Centric Data Federated Learning Using Blockchain For
Integrity Assurance [14.347917009290814]
パブリックブロックチェーンとスマートコントラクトが活用する,データ中心のフェデレーション学習アーキテクチャを提案する。
提案したソリューションは、開発者、データサイエンティスト、AIエンジニアがモデルを公開可能な仮想公開市場を提供する。
データコントリビューションと検証に対してコントリビュータに報酬を与えるインセンティブメカニズムを通じて、データ品質と整合性を高めます。
論文 参考訳(メタデータ) (2022-06-09T19:06:05Z) - Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。
生徒は、合成された入力データを通じて教師の出力を訓練する。
その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
論文 参考訳(メタデータ) (2021-02-01T14:38:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。