論文の概要: AME: A Multi-Type Contributor Attribution Framework in Generative AI Markets
- arxiv url: http://arxiv.org/abs/2606.16075v1
- Date: Mon, 15 Jun 2026 00:21:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.020754
- Title: AME: A Multi-Type Contributor Attribution Framework in Generative AI Markets
- Title（参考訳）: AME: ジェネレーティブAI市場におけるマルチタイプのコントリビュータ属性フレームワーク
- Authors: Yang Shi, Songwen Pei, Yang Gao, Bingxue Zhang,
- Abstract要約: ジェネレーティブAIは、異質なコントリビュータ間のマルチステージコラボレーションを通じて、価値創造を可能にする。
本稿では,新たな研究課題として多段階生成AI値割り当てを定式化する。
我々は、データコントリビューション評価、データ権利マッピング、信頼できる実行を統合する統合フレームワークAMEフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 10.095866185333657
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative AI enables value creation through multi-stage collaboration among heterogeneous contributors, including training data, base models, fine-tuning behaviors, and prompts. However, how to fairly allocate the data value remains largely unexplored. This paper formulates multi-stage generative AI value allocation as a new research problem and identifies three core challenges: heterogeneous data contribution valuation, data rights mapping, and trustworthy execution. We propose AME (Attribution-Mapping-Execution) framework, a unified framework that integrates data contribution valuation, data rights mapping, and trustworthy execution into a single workflow. Experimental results demonstrate that AME framework achieves data value allocation outcomes more consistent with human reference judgments while maintaining low-cost trustworthy execution. Our work provides an initial foundation for value assessment and revenue allocation in generative AI data markets.
- Abstract（参考訳）: ジェネレーティブAIは、トレーニングデータ、ベースモデル、微調整行動、プロンプトを含む、異種コントリビュータ間の多段階的なコラボレーションを通じて、価値創造を可能にする。
しかし、データ値を適切に割り当てる方法はほとんど未検討のままである。
本稿では、新たな研究課題として多段階生成AI価値割り当てを定式化し、不均一なデータコントリビューション評価、データ権利マッピング、信頼できる実行という3つの主要な課題を特定する。
データコントリビューション評価、データ権利マッピング、信頼できる実行を単一のワークフローに統合する統合フレームワークであるAME(Attribution-Mapping-Execution)フレームワークを提案する。
実験により、AMEフレームワークは、低コストで信頼性の高い実行を維持しながら、人間の基準判断とより整合したデータ価値配分結果を達成することを示した。
我々の研究は、生成的AIデータ市場における価値評価と収益配分のための最初の基盤を提供する。
関連論文リスト
- On the Fragility of Data Attribution When Learning Is Distributed [17.472602957780737]
標準的な分散トレーニングワークフローに参加する1人の参加者が、その測定された属性値を大幅に向上させることができることを示す。
我々の属性ファースト攻撃は、潜在最適化を用いて、非IIDラベルのカバレッジと評価器の感度を利用して、有用性を保った小さな合成バッチを注入する。
論文 参考訳（メタデータ） (2026-05-15T01:34:55Z) - Incentivizing Truthfulness and Collaborative Fairness in Bayesian Learning [68.76184067877499]
コラボレーション型機械学習は、複数のソースからのデータセットを使用して高品質なモデルをトレーニングする。
ソースにデータを共有するインセンティブを与えるため、既存のデータ評価手法は、送信されたデータに基づいて各ソースに適切な報酬を与える。
本稿では, (F) 協調フェアネスを保証し, (T) ベイズモデルの平衡における真さを動機付ける最初のメカニズムを提案する。
論文 参考訳（メタデータ） (2026-05-12T10:02:23Z) - SurrogateSHAP: Training-Free Contributor Attribution for Text-to-Image (T2I) Models [24.06687457570142]
SurrogateSHAPは、事前訓練されたモデルからの推論を通じて、高価なリトレーニングゲームを近似する、トレーニング不要のフレームワークである。
I) CIFAR-20におけるDDPM-CFGの画質, (ii) 印象派のアートワークにおける安定拡散の美学, (iii) Fashion-ProductデータにおけるFLUX.1の製品多様性の3つの要因からSurrogateSHAPを評価した。
論文 参考訳（メタデータ） (2026-01-29T19:48:19Z) - OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。
ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
論文 参考訳（メタデータ） (2025-12-16T03:33:24Z) - EvolvR: Self-Evolving Pairwise Reasoning for Story Evaluation to Enhance Generation [17.37840331449749]
本稿では,ストーリー評価のための自己進化的ペアワイズ推論(EvolvR)フレームワークを提案する。
フレームワークはまず、マルチペルソナ戦略を通じてスコア整合型Chain-of-Thought(CoT)データを自己合成する。
精巧なデータに基づいて訓練された評価器を報奨モデルとして展開し、ストーリー生成タスクを誘導する。
論文 参考訳（メタデータ） (2025-08-08T06:10:47Z) - AART: AI-Assisted Red-Teaming with Diverse Data Generation for New
LLM-powered Applications [5.465142671132731]
大規模言語モデル(LLM)のアドバイザリテストは、安全で責任のあるデプロイメントに不可欠である。
本稿では,新しい下流アプリケーション上でのLCM生成の安全性をテストするために,逆評価データセットの自動生成のための新しいアプローチを提案する。
AI支援のレッドチーム(AART)と呼ばれています。
論文 参考訳（メタデータ） (2023-11-14T23:28:23Z) - USB: A Unified Summarization Benchmark Across Tasks and Domains [68.82726887802856]
ウィキペディア由来のベンチマークを導入し、クラウドソースアノテーションの豊富なセットを補完し、8ドルの相互関連タスクをサポートする。
このベンチマークで様々な手法を比較し、複数のタスクにおいて、中程度の大きさの微調整されたモデルが、より大きな数発の言語モデルよりも一貫して優れていることを発見した。
論文 参考訳（メタデータ） (2023-05-23T17:39:54Z) - Incentivizing Collaboration in Machine Learning via Synthetic Data
Rewards [26.850070556844628]
本稿では、データ提供に利害関係者間の協調を動機付ける新しい協調生成モデリング(CGM)フレームワークを提案する。
合成データを報酬として分配することは、下流の学習タスクにタスクとモデルに依存しない利点を提供する。
論文 参考訳（メタデータ） (2021-12-17T05:15:30Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - Exploring and Evaluating Attributes, Values, and Structures for Entity
Alignment [100.19568734815732]
エンティティアライメント(EA)は、さまざまなKGから等価なエンティティをリンクすることで、リッチコンテンツの統合知識グラフ(KG)を構築することを目的としている。
属性・トリプルは重要なアライメント信号も提供できますが、まだ十分に調査されていません。
本稿では,属性値エンコーダを用いてKGをサブグラフに分割し,属性の様々なタイプを効率的にモデル化することを提案する。
論文 参考訳（メタデータ） (2020-10-07T08:03:58Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z)
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。