[論文レビュー] Can Copyright Be Reduced to Privacy?

Niva Elkin-Koren, Uri Hacohen+2 more|arXiv (Cornell University)|May 24, 2023

Law, AI, and Intellectual Property被引用数 6

ひとこと要約

この論文は、著作権法を微分的プライバシー やアルゴリズム的安定性といったアルゴリズム的プライバシー技術に還元することは、著作権の根幹的な目的と一致しないと主張している。これらの手法はデータ漏洩を検出できるが、著作権の核心たる独自の表現の保護を捉えられず、過剰な包含を引き起こし、法的であるべき変容的利用の抑制を招くおそれがある。

ABSTRACT

There is a growing concern that generative AI models will generate outputs closely resembling the copyrighted materials for which they are trained. This worry has intensified as the quality and complexity of generative models have immensely improved, and the availability of extensive datasets containing copyrighted material has expanded. Researchers are actively exploring strategies to mitigate the risk of generating infringing samples, with a recent line of work suggesting to employ techniques such as differential privacy and other forms of algorithmic stability to provide guarantees on the lack of infringing copying. In this work, we examine whether such algorithmic stability techniques are suitable to ensure the responsible use of generative models without inadvertently violating copyright laws. We argue that while these techniques aim to verify the presence of identifiable information in datasets, thus being privacy-oriented, copyright law aims to promote the use of original works for the benefit of society as a whole, provided that no unlicensed use of protected expression occurred. These fundamental differences between privacy and copyright must not be overlooked. In particular, we demonstrate that while algorithmic stability may be perceived as a practical tool to detect copying, such copying does not necessarily constitute copyright infringement. Therefore, if adopted as a standard for detecting an establishing copyright infringement, algorithmic stability may undermine the intended objectives of copyright law.

研究の動機と目的

• 微分的プライバシーなどのアルゴリズム的安定性技術が、生成AIにおける著作権侵害を信頼性高く検出できるかどうかを検討すること。
• プライバシー志向の指標と著作権法の原則との間にある根本的な不整合を浮き彫りにすること。
• アルゴリズム的安定性が、変容的著作物や公正利用といった法的であるべき利用を過剰に無効化する可能性があることを示すこと。
• アルゴリズム的手法を二値の侵害検出ツールとしてではなく、独自性やアイデア・表現の区別といった法的基準を定量化するためのツールとして活用すべきであると提言すること。

提案手法

• 特に近似的自由アクセス（NAF）および微分的プライバシー（DP）フレームワークを用いて、著作権侵害をアルゴリズム的安定性の観点から分析する。
• 数学的モデルを用いて、保護されたコンテンツにアクセスしない場合でも、生成モデルの出力が本質的に類似しているかどうかを評価する。
• 保護されたコンテンツにアクセスしないモデルとアクセスするモデルを区別する「安全関数フレームワーク」を導入し、侵害コピーを避ける「安全」なモデルを定義する。
• NAF や DP が、特に変容的または公正利用の対象となるコンテンツにおいて、著作物からの法的影響を保持する能力に限界を示す分析を行う。
• 安全なモデルが保護されたコンテンツに影響されない限り、許可された出力を抑制してしまうため、保護されたコンテンツに影響を受ける必要があると強調する。
• 保護された作品との明確で確立された関連性が存在する場合にのみコンテンツを破棄する、NAF の緩和版を提案する。

実験結果

リサーチクエスチョン

• RQ1 微分的プライバシーなどのアルゴリズム的安定性技術が、生成AIにおける著作権侵害検出の信頼性ある代理指標として機能できるか。
• RQ2 NAF や DP といったプライバシー中心の指標が、独自性や公正利用といった著作権法の核心的原則とどのように不整合を示すか。
• RQ3 アルゴリズム的安定性手法が、法的に許可された著作物の変容的利用をどれほど抑制するリスクを内在しているか。
• RQ4 アルゴリズム的手法を二値の侵害検出ツールとしてではなく、独自性やアイデア・表現の区別といった法的基準を定量化するツールとして再利用できるか。

主な発見

• 微分的プライバシー や NAF といったアルゴリズム的安定性手法は、過剰に包含的であり、法的に許可された変容的利用を誤って侵害と特定する可能性がある。
• 保護されたコンテンツへの影響を完全に回避するモデルは、公正利用や変容的利用の原則に従って法的に許可されたコンテンツを間接的に抑圧する可能性がある。
• 特定の作品からコピーしていないとしても、モデルが安定していても、共有されたトレーニングデータのおかげで本質的に類似したオリジナルなコンテンツを生成する可能性があり、これは侵害を意味しない。
• 安全なモデルが保護されたコンテンツに影響されない場合、NAF フレームワークは、保護された作品と意味的に関連する出力を不正に抑制してしまう。
• 保護された作品との明確で確立された関連性が存在する場合にのみコンテンツを破棄する、NAF の緩和版は、法的に許可された利用をよりよく維持できる可能性がある。
• 本研究は、アルゴリズム的手法が法的基準を置き換えるべきではなく、むしろ独自性のような曖昧な法的概念を測定する支援ツールとして機能すべきであると結論づける。