論文の概要: Unjust Enrichment as a Remedy for AI's Unauthorised Use of Protected Data

• arxiv url: http://arxiv.org/abs/2605.23503v1
• Date: Fri, 22 May 2026 11:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.323989
• Title: Unjust Enrichment as a Remedy for AI's Unauthorised Use of Protected Data
• Title（参考訳）: 保護されたデータの不正使用に対するAIの救済策としての不当な富化
• Authors: Yangzi Li, Jyh-An Lee,
• Abstract要約: 生成AIモデルのトレーニングにおけるデータの不正使用は、重大な法的課題を示す。 本稿は、このような不正なデータ利用による紛争を解決するための代替法体系として、不当な富化の可能性について考察する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The unauthorised use of data in the training of generative AI models presents significant legal challenges, particularly under intellectual property (IP) and privacy laws. These frameworks frequently grapple with the intricate relationship between data ownership and AI innovation, resulting in ongoing debates regarding optimal protection and enforceability. This article delves into considerable potential of unjust enrichment as an alternative legal doctrine for resolving disputes arising from such unauthorised data use. We explore how the concept of unjust enrichment captures the wrongfulness of unauthorised data use in a manner distinct from IP infringement and privacy violations. Furthermore, we analyse the extent to which gain-based restitution for unjust enrichment may prove more advantageous than existing remedies, including legal, equitable, and statutory options. We content that by shifting the emphasis from establishing wrongful conduct to recovering benefits obtained unjustly, unjust enrichment offers a pragmatic and equitable framework that reconciles the rights of data owners with the interests of AI developers.
• Abstract（参考訳）: 生成AIモデルのトレーニングにおけるデータの使用は、特に知的財産権(IP)とプライバシ法の下で、重要な法的課題を示す。 これらのフレームワークは、データオーナシップとAIイノベーションの複雑な関係にしばしば対応し、最適な保護と強制可能性に関する議論が進行中である。 本稿は、このような不正なデータ使用による紛争を解決するための代替法学の原則として、不当な富化の可能性について論じる。 我々は、不正なエンリッチメントの概念が、IP侵害やプライバシー侵害とは別の方法で、不正なデータ使用の不正性をいかに捉えているかを考察する。 さらに、不当な富化に対するゲインベースの再編成が、法的、公平、法定オプションを含む既存の治療法よりも有利である可能性を分析した。 不正な行為の確立から不当に得られる利益の回復へと重点を移すことによって、不正な富化は、データ所有者の権利とAI開発者の利益を和解する実践的で公平なフレームワークを提供する、と私たちは考えています。

関連論文リスト

• Lifting the Cage of Consent: A Techno-Legal Perspective on Evolvable Trust Relationships [0.0]
  私たちのデータは十分に流れていないので、疑わしい、しばしば違法なショートカットへの依存を育んでいる、と私たちは主張する。 本稿では,不確定な承諾の妄想に対して,進化可能な信頼システムの実現をスケーラブルな代替手段として提案する。
  論文  参考訳（メタデータ） (2025-12-03T11:05:18Z)
• Argumentation-Based Explainability for Legal AI: Comparative and Regulatory Perspectives [0.9668407688201359]
  人工知能(AI)システムは、法的文脈においてますます多くデプロイされている。 いわゆる「ブラックボックス問題」は、自動意思決定の正当性を損なう。 XAIは透明性を高めるための様々な方法を提案している。
  論文  参考訳（メタデータ） (2025-10-13T07:19:15Z)
• Reputation Management in the ChatGPT Era [4.485614995478454]
  生成型AIシステムは、たとえ明示的にそうするように指示されていなくても、実人のアウトプットを生成することが多い。 本稿では,これらの個人を保護するための法的手段について考察し,特に名誉とデータ保護に関する法律に焦点をあてる。 我々は、これらの個人主義的救済の限界に言及し、情報圏を生成AIから保護するためのより体系的で環境的なアプローチの必要性を示唆する。
  論文  参考訳（メタデータ） (2024-12-09T10:17:44Z)
• Data Shapley in One Training Run [88.59484417202454]
  Data Shapleyは、機械学習コンテキストにおけるデータのコントリビューションに寄与するための、原則化されたフレームワークを提供する。 既存のアプローチでは、計算集約的な異なるデータサブセット上の再学習モデルが必要である。 本稿では、対象とするデータモデルに対するスケーラブルなデータ属性を提供することにより、これらの制限に対処するIn-Run Data Shapleyを紹介する。
  論文  参考訳（メタデータ） (2024-06-16T17:09:24Z)
• Ungeneralizable Examples [70.76487163068109]
  学習不能なデータを作成するための現在のアプローチには、小さくて特殊なノイズが組み込まれている。 学習不能データの概念を条件付きデータ学習に拡張し、textbfUntextbf Generalizable textbfExamples (UGEs)を導入する。 UGEは認証されたユーザに対して学習性を示しながら、潜在的なハッカーに対する非学習性を維持している。
  論文  参考訳（メタデータ） (2024-04-22T09:29:14Z)
• Uncertain Boundaries: Multidisciplinary Approaches to Copyright Issues in Generative AI [2.2780130786778665]
  著作権のある素材のほぼレプリカを生成する生成AIモデルは、現在の法的枠組みを適用する必要性を強調している。 AIにおける著作権に関する既存の研究は、純粋にコンピュータ科学または法に基づくアプローチを採用している。 この調査は、法、政策、経済学、コンピュータ科学から洞察を総合的に合成するアプローチを採用する。
  論文  参考訳（メタデータ） (2024-03-31T22:10:01Z)
• Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
  プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
  論文  参考訳（メタデータ） (2023-01-26T10:09:23Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
  フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。 FLと関連する技術は、しばしばプライバシー保護と表現される。 この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
  論文  参考訳（メタデータ） (2021-12-21T08:44:05Z)
• Trustworthy AI [75.99046162669997]
  入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。 我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
  論文  参考訳（メタデータ） (2020-11-02T20:04:18Z)

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。