論文の概要: Govern the Model, Not Only the Data: Storage, Circulation, and Learning in Creative AI

• arxiv url: http://arxiv.org/abs/2609.03800v1
• Date: Thu, 03 Sep 2026 13:04:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.063874
• Title: Govern the Model, Not Only the Data: Storage, Circulation, and Learning in Creative AI
• Title（参考訳）: データだけでなくモデルも支配する - 創造的AIにおけるストレージ、循環、学習
• Abstract要約: 我々は、フェデレーションはそれ自体が抽出AIの救済策ではないと主張する。 クリエーターのガバナンスはストレージと流通で確立されるが、学習は止まる。 モデルとその連合を統括するクリエイティブデータコモンズの設計原則を4つ提案する。
• 参考スコア（独自算出の注目度）: 4.87735567395337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning is increasingly presented as a privacy-preserving advance: personal data remain on the device, and only model updates are shared. It borrows the vocabulary of the federated social web, yet inverts its logic, distributing computation while the resulting model stays with whoever convened the training. We argue that federation is not in itself a remedy for extractive AI, because outcomes depend on who governs the data and the model and who has agency over the practices that shape them. We describe three layers at which a creative community can hold its work: storage, circulation, and learning. Examining artist-governed trusts, cooperatives, and consent infrastructures, we show that creator governance is established at storage and circulation but stops at learning: contributors can consent to training, yet have little say over the resulting model or its federation. We map the research space this opens, pairing technical open problems with the human questions from which they unfold. We propose four design principles for a creative data commons that governs models and their federation, not only datasets: govern the model, not only the corpus; make the terms legible at the moment of contribution; design for refusal as a first-class state; and decide stewardship in the open and account for it.
• Abstract（参考訳）: フェデレーション学習は、プライバシ保護の進歩として、ますます取り上げられている。個人データはデバイス上に留まり、モデル更新のみが共有される。 フェデレーションされたソーシャルウェブの語彙を借用するが、その論理を逆転させ、計算を分散させ、結果のモデルはトレーニングを完了した人と一緒に留まる。 結果は、誰がデータとモデルを統治し、それらを形作るプラクティスを代理する人に依存するので、私たちは、フェデレーションはそれ自体が抽出AIの救済ではないと論じています。 創造的なコミュニティが作業を行うことができる3つのレイヤについて説明する。 アーティストが支配する信頼、協力、同意の基盤を見てみると、クリエーターのガバナンスはストレージと流通で確立されているが、学習は停止していることがわかる。 私たちは、このオープンな研究領域をマッピングし、技術的にオープンな問題と、それらが展開する人間の質問を組み合わせます。 モデルとそれらのフェデレーションを統括するクリエイティブデータコモンズの設計原則を,データセットだけでなく,コーパスだけでなくモデルも支配し,コントリビューションの瞬間にその用語を正当にすること,第1級国家としての拒絶を拒否すること,オープンでスチュワードシップを決定すること,4つ提案する。

関連論文リスト

• Data Authenticity, Consent, & Provenance for AI are all broken: what will it take to fix them? [11.040101172803727]
  基礎モデルの新機能は、大部分が大規模で、広くオープンソース化され、文書化されていないトレーニングデータ収集に負っている。 既存のデータ収集の実践は、信頼性の追跡、同意の検証、プライバシーの保護、表現と偏見への対処、著作権の尊重、倫理的かつ信頼できる基礎モデルを総合的に開発するという課題に繋がった。
  論文  参考訳（メタデータ） (2024-04-19T07:42:35Z)
• Trustless Audits without Revealing Data or Models [49.23322187919369]
  モデルプロバイダが(アーキテクチャではなく)モデルウェイトとデータシークレットを維持しながら、他のパーティがモデルとデータプロパティを信頼性のない監査を行うことが可能であることを示す。 私たちはZkAuditと呼ばれるプロトコルを設計し、モデルプロバイダがデータセットとモデルの重みの暗号的コミットメントを公開します。
  論文  参考訳（メタデータ） (2024-04-06T04:43:06Z)
• Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
  人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である 本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:57:57Z)
• Reclaiming the Digital Commons: A Public Data Trust for Training Data [2.36052383261568]
  本稿では,基礎モデルのトレーニングデータに対する公的な信頼度制御を提案する。 この信頼は、インターネットをデジタルコモンズとして取り除き、商用モデル開発者に対して、デプロイメントからの収益のパーセンテージをライセンスするべきだ。
  論文  参考訳（メタデータ） (2023-03-16T00:12:43Z)
• Cooperative data-driven modeling [44.99833362998488]
  メカニクスにおけるデータ駆動モデリングは、最近の機械学習の進歩に基づいて急速に進化している。 異なるグループによって作成された新しいデータとモデルが利用可能となり、協調モデリングの可能性が開ける。 人工ニューラルネットワークは、破滅的な忘れ、すなわち、新しいタスクでトレーニングされたときに古いタスクを実行する方法を忘れることに苦しむ。 これは、新しいタスクに既存のモデルを適用することが、誰かによって訓練された前のタスクのパフォーマンスに影響を与えるため、協力を妨げる。
  論文  参考訳（メタデータ） (2022-11-23T14:27:25Z)
• Practical Vertical Federated Learning with Unsupervised Representation Learning [47.77625754666018]
  フェデレートされた学習は、複数のパーティが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。 我々はFedOnceという,一対一のコミュニケーションしか必要としない新しいコミュニケーション効率の縦型学習アルゴリズムを提案する。 私たちのプライバシー保護技術は、同じプライバシー予算の下で最先端のアプローチを著しく上回ります。
  論文  参考訳（メタデータ） (2022-08-13T08:41:32Z)
• Privatized Graph Federated Learning [57.14673504239551]
  グラフによって連結された複数の単位からなるグラフフェデレーション学習を導入する。 グラフ準同型摂動はアルゴリズムが微分プライベートであることを保証するためにどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-03-14T13:48:23Z)
• Representative & Fair Synthetic Data [68.8204255655161]
  公平性制約を自己監督学習プロセスに組み込むためのフレームワークを提示する。 私たちはuci成人国勢調査データセットの代表者および公正版を作成します。 我々は、代表的かつ公正な合成データを将来有望なビルディングブロックとみなし、歴史的世界ではなく、私たちが生きようとしている世界についてアルゴリズムを教える。
  論文  参考訳（メタデータ） (2021-04-07T09:19:46Z)
• Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
  我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。 生徒は、合成された入力データを通じて教師の出力を訓練する。 その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
  論文  参考訳（メタデータ） (2021-02-01T14:38:54Z)

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。