論文の概要: Probabilistic "Copies" in Generative AI Models

• arxiv url: http://arxiv.org/abs/2607.14532v1
• Date: Thu, 16 Jul 2026 03:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.974156
• Title: Probabilistic "Copies" in Generative AI Models
• Title（参考訳）: 生成AIモデルにおける確率論的「コピー」
• Abstract要約: 著作権法は、著作権のある作品と同じような出力を産出する可能性のある情報が、それ自体が作品のコピーであるかどうかを、これまで決定する必要がなかった。 著作権法はこの問題に対して機能的なアプローチをとる可能性があり、LCMが特定の作品のコピーを含んでいるのは、出力でその作品を取り出すのが簡単である場合に限りである、と我々は主張する。
• 参考スコア（独自算出の注目度）: 4.9386686377240725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work shows that it is possible to extract verbatim or near-verbatim text of some copyrighted works from some large language models (LLMs or models). That is evidence that the model weights encode the works in some form - that the model has "memorized" those works from its training data. But LLMs don't store information in the same format as familiar databases. Rather, their weights store statistical relationships between tokens that have been learned from the training data, and those relationships inform a generation process that is often probabilistic rather than deterministic. In the case of memorization, those relationships are strong enough that, in many circumstances, the model might generate a copyrighted work from its training data with some probability. Copyright law has not previously had to decide whether storing information that might or might not produce output similar to a copyrighted work is itself a copy of the work. The answer to the question is important, because it may determine the legality of many LLMs. The statute and case law are largely unhelpful. We argue that copyright law will likely take a functional approach to the question, finding that LLMs contain a copy of a particular work only if it is straightforward to extract that work in outputs. That result is unsatisfying as a policy matter, and we suggest potential changes to the law, but it is the most likely outcome under current law.
• Abstract（参考訳）: 最近の研究は、一部の著作権のある作品(LLMやモデル)の動詞的あるいは近動詞的テキストを、いくつかの大きな言語モデル(LLM)から抽出することが可能であることを示している。 これは、モデルの重みが作品を何らかの形でエンコードしている証拠である。 しかし LLM は、慣れ親しんだデータベースと同じフォーマットで情報を格納しません。 むしろ、その重みはトレーニングデータから学んだトークン間の統計的関係を格納し、それらの関係は決定論的ではなく、しばしば確率的である生成過程を知らせる。 記憶化の場合、これらの関係は十分に強く、多くの場合、モデルはトレーニングデータから何らかの確率で著作権のある作品を生成できる。 著作権法は、著作権のある作品と同じような出力を産出する可能性のある情報が、それ自体が作品のコピーであるかどうかを、これまで決定する必要がなかった。 疑問に対する答えは、多くのLSMの合法性を決定する可能性があるため重要である。 法律と事件法は大体無用である。 著作権法はこの問題に対して機能的なアプローチをとる可能性があり、LCMが特定の作品のコピーを含んでいるのは、出力でその作品を取り出すのが簡単である場合に限りである、と我々は主張する。 この結果は政策上の問題として不満足であり、法律の変更の可能性も示唆していますが、これは現在の法律の下では最も可能性の高い結果です。

関連論文リスト

• Extracting books from production language models [65.85348210518937]
  同様の抽出がLLMの生産に可能であるかどうかについては、未解決のままである。 ジェイルブレイクされたクロード3.7 ソンネットは、全書籍をほぼ全文出力する場合もある。 モデルおよびシステムレベルのセーフガードであっても、(コピーライト内での)トレーニングデータの抽出はLLM生産のリスクである。
  論文  参考訳（メタデータ） (2026-01-06T03:01:27Z)
• Hey, That's My Data! Label-Only Dataset Inference in Large Language Models [63.35066172530291]
  CatShiftはラベルのみのデータセット推論フレームワークである。 LLMは、新しいデータに晒されたとき、学習した知識を上書きする傾向にある。
  論文  参考訳（メタデータ） (2025-06-06T13:02:59Z)
• Extracting memorized pieces of (copyrighted) books from open-weight language models [63.06081428612624]
  我々は、生成的AIに対する著作権訴訟における原告と被告が、大規模な言語モデル(LLM)が原告の保護された表現を記憶している範囲について、その主張に反対することが多いことを示している。 これらの偏極的な立場は、記憶と著作権の関係を劇的に単純化することを示します。 我々は、我々の結果が著作権訴訟に重大な影響を及ぼす理由について議論する。
  論文  参考訳（メタデータ） (2025-05-18T21:06:32Z)
• Machine Learners Should Acknowledge the Legal Implications of Large Language Models as Personal Data [2.4578723416255754]
  ほとんどの大規模言語モデル(LLM)は、ある程度のトレーニングデータを記憶している。 LLMが少量の個人データを記憶している場合でも、通常はデータ保護法の範囲に該当する。 本稿では,機械学習研究者がML開発ライフサイクル全体を通じて,LLMの法的意味を個人データとして認めなければならないことを論じる。
  論文  参考訳（メタデータ） (2025-03-03T15:05:48Z)
• Can Watermarking Large Language Models Prevent Copyrighted Text Generation and Hide Training Data? [62.72729485995075]
  著作権文書の生成に対する抑止剤としての透かしの有効性について検討する。 我々は、透かしがメンバーシップ推論攻撃(MIA)の成功率に悪影響を及ぼすことを発見した。 透かしにおける最近のMIAの成功率を改善するための適応的手法を提案する。
  論文  参考訳（メタデータ） (2024-07-24T16:53:09Z)
• LLMs and Memorization: On Quality and Specificity of Copyright Compliance [0.0]
  大規模言語モデル(LLM)のメモリ化が懸念されている。 LLMは、著作権のある作品を含むトレーニングデータの一部を容易に再現できることが示されている。 これは、欧州AI法と同様に、既存の著作権法に違反している可能性があるため、解決すべき重要な問題である。
  論文  参考訳（メタデータ） (2024-05-28T18:01:52Z)
• Copyright Traps for Large Language Models [6.902279764206365]
  我々は著作権トラップを用いて,大規模言語モデルにおける著作権コンテンツの使用を検出することを提案する。 1.3Bモデルをスクラッチからトレーニングし、オリジナルコンテンツ(ブック)にトラップを挿入します。 直観とは裏腹に,従来の手法では,中長のトラップ文の繰り返し(100)が検出できないことが示されている。
  論文  参考訳（メタデータ） (2024-02-14T18:09:53Z)
• Large Language Model-Aware In-Context Learning for Code Generation [75.68709482932903]
  大規模言語モデル(LLM)は、コード生成において印象的なコンテキスト内学習(ICL)能力を示している。 コード生成のためのLAIL (LLM-Aware In-context Learning) という新しい学習ベース選択手法を提案する。
  論文  参考訳（メタデータ） (2023-10-15T06:12:58Z)
• How to Protect Copyright Data in Optimization of Large Language Models? [8.609157988755896]
  大規模言語モデル(LLM)と生成AIは、コンピュータ研究や応用において変革的な役割を担っている。 これらのモデルが著作権付きデータを出力するかどうかという議論が持ち上がっており、これはモデルがトレーニングされたデータが著作権付きである場合に起こりうる。 我々は,大規模言語モデルの学習と最適化をソフトマックス回帰問題と見なせることを示した。
  論文  参考訳（メタデータ） (2023-08-23T16:48:04Z)
• SILO Language Models: Isolating Legal Risk In a Nonparametric Datastore [159.21914121143885]
  推論中にこのリスクパフォーマンストレードオフを管理する新しい言語モデルであるSILOを提案する。 SILOは(1)オープンライセンスコーパス(OLC)上でパラメトリックLMをトレーニングすることで構築されます。 データストアへのアクセスはドメインのパフォーマンスを大幅に改善し、PileでトレーニングされたLMでパフォーマンスギャップの90%を閉じる。
  論文  参考訳（メタデータ） (2023-08-08T17:58:15Z)
• 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)

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。