論文の概要: Creative Ownership in the Age of AI

• arxiv url: http://arxiv.org/abs/2602.12270v1
• Date: Thu, 12 Feb 2026 18:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.994812
• Title: Creative Ownership in the Age of AI
• Title（参考訳）: AI時代の創造的オーナーシップ
• Authors: Annie Liang, Jay Lu,
• Abstract要約: 著作権法は、新しい作品が既存の作品と「統計的に類似している」かどうかに焦点を当てているが、生成AIはコンテンツをコピーすることなく、スタイルを忠実に模倣することができる。 生成的AI出力は、トレーニングコーパスでその作業がなければ生成できなかった場合、既存の作業に侵害する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Copyright law focuses on whether a new work is "substantially similar" to an existing one, but generative AI can closely imitate style without copying content, a capability now central to ongoing litigation. We argue that existing definitions of infringement are ill-suited to this setting and propose a new criterion: a generative AI output infringes on an existing work if it could not have been generated without that work in its training corpus. To operationalize this definition, we model generative systems as closure operators mapping a corpus of existing works to an output of new works. AI generated outputs are \emph{permissible} if they do not infringe on any existing work according to our criterion. Our results characterize structural properties of permissible generation and reveal a sharp asymptotic dichotomy: when the process of organic creations is light-tailed, dependence on individual works eventually vanishes, so that regulation imposes no limits on AI generation; with heavy-tailed creations, regulation can be persistently constraining.
• Abstract（参考訳）: 著作権法は、新しい作品が既存の作品と「統計的に類似している」かどうかに焦点を当てているが、生成AIはコンテンツをコピーせずにスタイルを忠実に模倣することができる。 生成的AI出力は、トレーニングコーパスでその作業がなければ生成できなかった場合、既存の作業に侵害する。 この定義を運用するには、既存の作品のコーパスを新しい作品の出力にマッピングするクロージャ演算子として生成システムをモデル化する。 AIが生成した出力は、我々の基準に従って既存の作業を侵害しない場合、 \emph{permissible} である。 有機物生成のプロセスが軽くなると、個々の作品への依存がなくなるため、規制はAI生成に制限を課さない。

関連論文リスト

• Non-Resolution Reasoning (NRR): A Computational Framework for Contextual Identity and Ambiguity Preservation [0.0]
  現在の人工知能システムは、曖昧さを早期に解決する、基本的なアーキテクチャ上の限界を示す。 この早期のセマンティック崩壊は、標準的なニューラルネットワークに埋め込まれた古典的なアイデンティティの仮定に由来する。 あいまいさ保持を有効な推論モードとして扱う計算フレームワークであるNon-Resolution Reasoning (NRR)を提案する。
  論文  参考訳（メタデータ） (2025-12-15T16:14:32Z)
• Stochastic, Dynamic, Fluid Autonomy in Agentic AI: Implications for Authorship, Inventorship, and Liability [0.2209921757303168]
  エージェントAIシステムは、暗黙の学習を通じて戦略を適応し、自律的に目標を追求する。 人間と機械の貢献は、相互に絡み合った創造的なプロセスに不可避的に絡まってしまう。 法律と政策の枠組みは、人間と機械の貢献を機能的に同等に扱う必要があるかもしれないと我々は主張する。
  論文  参考訳（メタデータ） (2025-04-05T04:44:59Z)
• Constrained Discrete Diffusion [61.81569616239755]
  本稿では,拡散過程における微分可能制約最適化の新たな統合であるCDD(Constrained Discrete Diffusion)を紹介する。 CDDは直接、離散拡散サンプリングプロセスに制約を課し、トレーニング不要で効果的なアプローチをもたらす。
  論文  参考訳（メタデータ） (2025-03-12T19:48:12Z)
• On the Undecidability of Artificial Intelligence Alignment: Machines that Halt [0.0]
  内部アライメント問題は、任意の人工知能モデルがその入力によって出力の非自明なアライメント関数を満たすかどうかを主張するが、決定不可能である。 任意のAIモデルにポストホックの特質を課すのではなく、アライメントはAIアーキテクチャから保証されたプロパティであるべきだ、と私たちは主張する。 我々は、AIモデルが有限実行ステップで終端状態に常に到達することを保証し、停止制約を課すことも提案する。
  論文  参考訳（メタデータ） (2024-08-16T19:55:26Z)
• Towards a Harms Taxonomy of AI Likeness Generation [0.0]
  生成的人工知能モデルは、十分な数の人の画像に基づいて訓練されると、識別された特徴をフォトリアリスティックな方法で再現することができる。 本稿では,創発的類似性を取り巻く哲学的・政策的問題について考察する。 本稿では、関連する文献の総合的メタ分析から得られた、発生した類似性に関連する害の分類について述べる。
  論文  参考訳（メタデータ） (2024-06-29T16:00:42Z)
• Self-Infilling Code Generation [60.12883980846781]
  自動回帰デコードにインフィル操作を組み込んだ汎用フレームワークであるセルフインフィルコード生成を導入する。 我々は,従来の復号化において,新しい割り込みとループ機構を導入するために,この機能を利用する。 提案する復号処理は,複数のコード生成ベンチマークにおける正規性と品質の向上に有効である。
  論文  参考訳（メタデータ） (2023-11-29T16:02:06Z)
• CopyScope: Model-level Copyright Infringement Quantification in the Diffusion Workflow [6.6282087165087304]
  著作権侵害の定量化は、AIが生成した画像著作権トレーサビリティへの第一かつ挑戦的なステップである。 モデルレベルからAI生成画像の侵害を定量化する新しいフレームワークであるCopyScopeを提案する。
  論文  参考訳（メタデータ） (2023-10-13T13:08:09Z)
• ConceptLab: Creative Concept Generation using VLM-Guided Diffusion Prior Constraints [56.824187892204314]
  我々は創造的なテキスト・画像生成の課題を提示し、幅広いカテゴリの新しいメンバーを創り出そうとする。 本稿では, 先行拡散の出力空間上での最適化プロセスとして, 創造的生成問題を定式化できることを示す。 我々は、最適化問題に新たな制約を適応的に付加する質問応答型視覚言語モデル(VLM)を導入し、よりユニークな生成物を発見するようモデルに促す。
  論文  参考訳（メタデータ） (2023-08-03T17:04:41Z)
• NeuroLogic A*esque Decoding: Constrained Text Generation with Lookahead Heuristics [73.96837492216204]
  本稿では,将来のコスト見積を組み込んだ復号アルゴリズムであるNeuroLogic A*esqueを提案する。 大規模言語モデルに効率的な効率的なルックアヘッドを開発する。 提案手法は,5世代タスクにおける競合的ベースラインと,テーブル・トゥ・テキスト生成,制約された機械翻訳,キーワード制約付き生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-12-16T09:22:54Z)

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。