論文の概要: Market Design for AI: Beyond the Copyright Binary

• arxiv url: http://arxiv.org/abs/2606.12260v1
• Date: Wed, 10 Jun 2026 16:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.548914
• Title: Market Design for AI: Beyond the Copyright Binary
• Title（参考訳）: AIの市場設計 - 著作権境界を越えて
• Abstract要約: フリー・フォー・オールがクリエイターを補うものではなく、強力な知的財産権が創造的なインセンティブを弱めることも示している。 本稿では,クロスクリエータの外部性を内部化し,革新的なコントリビューションを補助するデータ仲介型市場設計を提案する。
• 参考スコア（独自算出の注目度）: 8.071478876256498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How can we design a market of human-generated content for use in training AI models that both enables technological progress and preserves individual incentives for high-quality content creation? Existing approaches take polar positions: a "free-for-all" model based on fair use and a "strong intellectual property rights" model. We show that both fail: Free-for-all does not compensate creators, and -- by modeling as a static Stackelberg game -- strong intellectual property rights also underpower creative incentives. We find this especially true for more innovative creators, a phenomenon we term the "originality penalty." Extending this insight to a dynamic model, we find another market failure undermining AI model performance, even for an initially good model: Such a model induces greater reliance by humans on AI-assisted creation, resulting in homogenized content feeding back into training, which degrades the model performance -- a "curse of precision." We further propose a market design with a data intermediary internalizing cross-creator externalities and subsidizing innovative contributions, thereby restoring efficiency.
• Abstract（参考訳）: 技術進歩と高品質なコンテンツ制作に対する個人のインセンティブの維持を可能にするAIモデルのトレーニングに使用する人為的コンテンツの市場をどのように設計するか。 既存のアプローチは、公正使用に基づく「すべて自由」モデルと「強い知的財産権」モデルである。 フリー・フォー・オールはクリエイターに報酬を与えず、静的なStackelbergゲームとしてモデリングすることで、強力な知的財産権は創造的なインセンティブを弱めている。 これは、より革新的なクリエーターにとって特に当てはまり、"オリジナルティペナルティ"と呼ばれる現象である。 この洞察をダイナミックモデルに拡張することで、当初は良いモデルであっても、AIモデルのパフォーマンスを損なう別のマーケット障害が見つかります。 さらに、クロスクリエータの外部性を内部化し、革新的なコントリビューションを補助し、効率を回復するデータ仲介型市場デザインを提案する。

関連論文リスト

• Measuring Creativity in the Age of Generative AI: Distinguishing Human and AI-Generated Creative Performance in Hiring and Talent Systems [0.0]
  本稿では,創造性を共有制約と競争インセンティブの下で出現する分散的・プロセス的特性として再認識する。 本稿では,創造性を合成の新規性として測定するための定量的枠組みを導入する。 この知見は, 生成AIの時代において, 浮力よりも独特性が人間の創造能力の第一のシグナルとなることを示唆している。
  論文  参考訳（メタデータ） (2026-04-10T12:49:17Z)
• CreativeBench: Benchmarking and Enhancing Machine Creativity via Self-Evolving Challenges [69.3795501613098]
  コード生成における機械の創造性を評価するベンチマークであるCreativeBenchを紹介します。 CreativeBenchは、創造性と幻覚を、品質とノベルティの産物として定義された統一された計量によって客観的に区別する。 進化的探索パターンを内部化し,機械の創造性を継続的に向上する,プラグアンドプレイ型推論時ステアリング戦略であるEvoRePEを提案する。
  論文  参考訳（メタデータ） (2026-03-12T12:36:56Z)
• FinPercep-RM: A Fine-grained Reward Model and Co-evolutionary Curriculum for RL-based Real-world Super-Resolution [87.57784204422218]
  人間のフィードバックによる強化学習は、人間の好みを調整する報酬モデルによって導かれる画像生成分野で有効であることが証明されている。 本稿では, アンコーダ・デコーダアーキテクチャに基づく細粒度パーセプ・リワードモデル(FinPercep-RM)を提案する。 グローバルな品質スコアを提供する一方で、局所的な欠陥を空間的に局所化し定量化する知覚的劣化マップも生成する。
  論文  参考訳（メタデータ） (2025-12-27T16:55:21Z)
• Assessing Adaptive World Models in Machines with Novel Games [77.94506923046423]
  我々は、迅速な適応は、環境の内部表現の効率的な構築と洗練と結びついていると論じる。 人工知能における世界モデルの現在の理解と評価は依然として狭いままである。 そこで本研究では,真で深みがあり,常にリフレッシュするノベルティを持つ,慎重に設計されたゲームスイートをベースとした,新たなベンチマークパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-07-17T06:28:14Z)
• Can Generative AI be Egalitarian? [6.893551641325889]
  創発的AIモデルは、しばしば対応する相反なしに、オンラインソースから価値を広範囲に抽出した上で構築される。 本稿では、ユーザが積極的に協調的に提供するコンテンツに依存したモデルの開発について考察する。 このようなアプローチは倫理的に健全であり、ユーザのニーズに応答しやすく、トレーニングデータに多様性があり、究極的には社会的価値に適合するモデルにつながる可能性がある、と私たちは主張する。
  論文  参考訳（メタデータ） (2025-01-20T15:40:44Z)
• Competition and Diversity in Generative AI [3.1507640991166603]
  競争市場は多様なAIモデルを選択し、モノカルチャーを緩和している。 独立して機能する生成AIモデル(つまりベンチマークによれば)は、反復的市場において価値の提供に失敗する可能性がある。
  論文  参考訳（メタデータ） (2024-12-11T18:34:31Z)
• 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)
• 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)
• Can AI Be as Creative as Humans? [84.43873277557852]
  理論的には、AIは人間の創造者によって生成されたデータに適切に適合できるという条件の下で、人間と同じくらい創造的になれることを証明しています。 AIの創造性に関する議論は、十分な量のデータに適合する能力の問題に縮小されている。
  論文  参考訳（メタデータ） (2024-01-03T08:49:12Z)
• Tokenized Model: A Blockchain-Empowered Decentralized Model Ownership Verification Platform [27.663600307841982]
  本稿では、モデル透かし技術とブロックチェーンを組み合わせることにより、統一されたモデル著作権保護プラットフォームを構築することを検討する。 Tokenized Modelと呼ばれる新しいソリューションによって、信頼性の高いオーナシップレコードと検証メカニズムによって、モデルの著作権を保護します。
  論文  参考訳（メタデータ） (2023-11-27T09:02:57Z)
• Exploration with Principles for Diverse AI Supervision [88.61687950039662]
  次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。 この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。 この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。 本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:03:39Z)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)

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。