論文の概要: What's a Credit Worth? A Market Framework for Attribution-Aware Compensation in Generative Music
- arxiv url: http://arxiv.org/abs/2607.00641v1
- Date: Wed, 01 Jul 2026 08:55:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.817625
- Title: What's a Credit Worth? A Market Framework for Attribution-Aware Compensation in Generative Music
- Title（参考訳）: 信用価値とは何か?ジェネレーティブ・ミュージックにおける属性・アウェア補償の市場フレームワーク
- Abstract要約: 我々は、ジェネレーティブ・ミュージック・マーケットのクリエーターをかなり補償する枠組みを開発した。
より優れた帰属は、クリエイターとプラットフォーム双方の福祉的利益に直接変換されることを示す。
実験の結果,ノイズによる帰属シグナルが固定料金ライセンスへの支払いを促すことが明らかとなった。
- 参考スコア（独自算出の注目度）: 9.384767695704921
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advances in generative AI are rapidly increasing the quality and commercial value of generated music, and this progress depends on large catalogs of creators' recordings. This raises a central question for platform design: how should creators be compensated when their work is used to train generative AI models that in turn produce commercial outputs? We develop a framework for fairly compensating creators in generative-music markets, where each creator's payment depends on a data-attribution score estimating their contribution to model outputs. Compared to past compensation frameworks, our framework has two unique considerations: (1) attribution is traced to entire creator catalogs, not individual songs, and (2) the informativeness (signal-to-noise ratio) of the attribution score is an input to the payment mechanism. The framework yields a closed-form payment rule per creator and measures the welfare cost of inaccurate attribution for both creators and the platform. Whether the welfare-optimal contract is royalty-based or takes the form of fixed-fee licensing depends on how informative attribution is for that creator's catalog. We show that better attribution translates directly into welfare gains for both creators and the platform, yet under multi-platform competition a platform only captures gains from attribution improvements when its signal becomes the most precise in the market. To ground our framework in empirical behavior, we train acoustic and symbolic music generation models and measure the informativeness of scalable attribution techniques against a leave-one-catalog-out ground truth. Our experiments reveal that noisy attribution signals push payment toward fixed-fee licensing and diminish welfare for both creators and the platform, providing an economic motivation for further research on improved attribution.
- Abstract（参考訳）: 生成AIの進歩は、生成した音楽の品質と商業的価値を急速に増加させており、この進歩は、クリエイターの録音の大きなカタログに依存する。
クリエーターが、商業的なアウトプットを生成する生成AIモデルをトレーニングするために、自分たちの仕事を使用するとき、どのように補償されるべきなのか?
生成音楽市場のクリエーターをかなり補償するフレームワークを開発し、各クリエーターの支払いは、モデル出力に対する貢献を推定するデータ属性スコアに依存する。
過去の補償フレームワークと比較して,本フレームワークには,(1)帰属は個々の楽曲ではなく創作者のカタログ全体を辿り,(2)帰属スコアの報知性(信号対雑音比)は支払い機構への入力である,という2つのユニークな考察がある。
このフレームワークはクリエーター1人当たりのクローズドフォームの支払いルールを生成し、クリエーターとプラットフォームの両方に不正確な帰属の福祉コストを測定する。
福祉・最適契約がロイヤリティに基づくものであるか、固定料金ライセンスの形を取っているかは、作者のカタログに対する情報的帰属度に依存する。
より優れた帰属は、クリエイターとプラットフォーム双方の福祉的利益に直接変換されるが、マルチプラットフォーム競争の下では、プラットフォームは、そのシグナルが市場で最も正確になったときにのみ、帰属の改善から得られる利益を捉えている。
本研究では,経験的行動の枠組みを基礎として,音響および記号的音楽生成モデルを訓練し,拡張性のある帰属手法の真理に対する情報性を測定する。
実験の結果,ノイズによる帰属のシグナルは,固定料金ライセンスへの支払いを推進し,クリエーターとプラットフォーム双方の福祉を減らし,より良い帰属のさらなる研究に経済的モチベーションをもたらすことが明らかとなった。
関連論文リスト
- The Order of Recommendation Matters: Structured Exploration for Improving the Fairness of Content Creators [0.6999740786886536]
ソーシャルメディアプラットフォーム上でコンテンツクリエーターの公正性を高めるための介入を見つける。
順序付き比較を用いることで、新しいアイテムセットのコールドスタート問題を克服することができる。
実験によると、介入はプラットフォームの初期段階に展開する際の公正性を改善するが、既存のバイアスの強さが増加するにつれて効果は低下する。
論文 参考訳（メタデータ） (2025-10-23T16:13:24Z) - Attribution-by-design: Ensuring Inference-Time Provenance in Generative Music Systems [38.10594174828015]
本稿では,直接帰属,透過的なロイヤリティ分布,アーティストや権利者に対するきめ細かい制御を中心にした生成的音楽基盤の枠組みを提案する。
著者のカタログを用いて生成した出力を条件付ける場合、直接的かつ検証可能な補償を可能にするため、推論時属性が好ましい。
論文 参考訳（メタデータ） (2025-10-09T10:49:44Z) - GRAM-R$^2$: Self-Training Generative Foundation Reward Models for Reward Reasoning [90.99527142037853]
GRAM-R$2$は、好みのラベルだけでなく、報酬の合理性も生み出すために訓練された生成的報酬モデルである。
GRAM-R$2$は報酬推論の基礎モデルとして機能し、最小あるいは追加の微調整なしで幅広いタスクに適用できる。
論文 参考訳（メタデータ） (2025-09-02T16:41:07Z) - Copyright-Aware Incentive Scheme for Generative Art Models Using Hierarchical Reinforcement Learning [42.63462923848866]
我々は,著作権法と裁判所における侵害に関する前例に基づく,新たな著作権基準を導入する。
次に、TRAK法を用いてデータ保持者の貢献度を推定する。
我々は,各ラウンドの予算とデータ保持者の報酬を決定するため,強化学習に基づく階層的な予算配分手法を設計する。
論文 参考訳（メタデータ） (2024-10-26T13:29:43Z) - 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) - User Welfare Optimization in Recommender Systems with Competing Content Creators [65.25721571688369]
本研究では,コンテンツ制作者間での競争ゲーム環境下で,システム側ユーザ福祉の最適化を行う。
本稿では,推奨コンテンツの満足度に基づいて,各ユーザの重みの列を動的に計算する,プラットフォームのためのアルゴリズムソリューションを提案する。
これらの重みはレコメンデーションポリシーやポストレコメンデーション報酬を調整するメカニズムの設計に利用され、それによってクリエイターのコンテンツ制作戦略に影響を与える。
論文 参考訳（メタデータ） (2024-04-28T21:09:52Z) - 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) - Exploring Musical Roots: Applying Audio Embeddings to Empower Influence
Attribution for a Generative Music Model [6.476298483207895]
そこで我々は,学習データの属性を理解するのに有用な方法で,類似した楽曲を識別する手法を開発した。
VampNetのトレーニングに使用した500万本のオーディオクリップにおいて,CLMRとCLAPの埋め込みを類似度測定と比較した。
この作業は、自動的なインフルエンス属性を生成モデルに組み込むことで、モデル作成者とユーザが無知な予算から情報生成に移行することを約束する。
論文 参考訳（メタデータ） (2024-01-25T22:20:42Z) - Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。
データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。
概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
論文 参考訳（メタデータ） (2023-06-26T13:06:34Z) - Online Learning in a Creator Economy [91.55437924091844]
われわれはクリエーター経済を、ユーザー、プラットフォーム、コンテンツクリエーターの3人組ゲームとして研究している。
私たちは、リターンベースの契約とフィーチャーベースの契約の2つのファミリーを分析します。
滑らかな仮定の下では、リターンベースの契約とレコメンデーションポリシーの協調最適化が後悔をもたらすことを示す。
論文 参考訳（メタデータ） (2023-05-19T01:58:13Z) - Foundation Models and Fair Use [96.04664748698103]
米国や他の国では、著作権のあるコンテンツは、公正な使用原理のために責任を負わずに基礎モデルを構築するために使われることがある。
本研究では,著作権コンテンツに基づく基礎モデルの開発と展開の潜在的なリスクについて調査する。
基礎モデルが公正な使用と一致し続けるのに役立つ技術的緩和について論じる。
論文 参考訳（メタデータ） (2023-03-28T03:58:40Z) - Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。
本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
論文 参考訳（メタデータ） (2022-06-27T08:16:59Z)
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。