Provable Copyright Protection for Generative Models

要約

学習された条件付き生成モデルが、トレーニング セットに含まれていた著作権で保護されたデータ $C$ と実質的に類似したサンプルを出力する可能性があるという懸念が高まっています。
$\textit{near access-freeness (NAF)}$ の正式な定義を与え、たとえ $C$ がトレーニングに含まれていたとしても、この定義を満たすモデルが $C$ に似たサンプルを出力する確率の限界を証明します。
設定。
大雑把に言えば、生成モデル $p$ は $\textit{$k$-NAF}$ であり、著作権で保護されている可能性のあるデータ $C$ ごとに、$p$ の出力が、
$\textit{$C$ にまったくアクセスしなかった}$ モデル $q$。
また、保護されたコンテンツをサンプリングする確率に強い境界を持つ生成モデルを出力する、元の生成モデル学習アルゴリズムをブラックボックス方式で効率的に変更する生成モデル学習アルゴリズムも提供します。
さらに、言語 (トランスフォーマー) と画像 (拡散) 生成モデルの両方に対して有望な実験を提供し、保護されたコンテンツのサンプリングに対する強力な保護を確保しながら、出力品質の低下を最小限に抑えます。

要約(オリジナル)

There is a growing concern that learned conditional generative models may output samples that are substantially similar to some copyrighted data $C$ that was in their training set. We give a formal definition of $\textit{near access-freeness (NAF)}$ and prove bounds on the probability that a model satisfying this definition outputs a sample similar to $C$, even if $C$ is included in its training set. Roughly speaking, a generative model $p$ is $\textit{$k$-NAF}$ if for every potentially copyrighted data $C$, the output of $p$ diverges by at most $k$-bits from the output of a model $q$ that $\textit{did not access $C$ at all}$. We also give generative model learning algorithms, which efficiently modify the original generative model learning algorithm in a black box manner, that output generative models with strong bounds on the probability of sampling protected content. Furthermore, we provide promising experiments for both language (transformers) and image (diffusion) generative models, showing minimal degradation in output quality while ensuring strong protections against sampling protected content.

arxiv情報

著者 Nikhil Vyas,Sham Kakade,Boaz Barak
発行日 2023-02-21 18:34:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML パーマリンク