[论文解读] 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 6

一句话总结

本文主张，将版权法简化为算法隐私技术（如差分隐私和算法稳定性）与版权的核心目标存在错配。尽管这些方法可检测数据泄露，却无法体现版权对原创表达的关注，导致过度涵盖，并可能压制合法的转化性使用。

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.

研究动机与目标

• 探讨差分隐私等算法稳定性技术是否能可靠检测生成式人工智能中的版权侵权。
• 突出隐私导向指标与版权法原则之间的根本性错配。
• 证明算法稳定性可能过度否定合法使用，例如转化性作品或合理使用。
• 主张应将算法方法用作量化法律标准（如原创性与思想表达二分法）的工具，而非二元侵权检测器。

提出的方法

• 通过算法稳定性的视角，特别是近自由访问（NAF）和差分隐私（DP）框架，分析版权侵权问题。
• 利用数学模型评估：若生成模型未接触受保护内容，其输出是否仍可能实质相似。
• 提出一种安全函数框架，以定义避免侵权复制的“安全”模型，区分有无访问受保护内容的模型。
• 分析NAF与DP在保留受版权保护作品合法影响方面的局限性，尤其针对转化性或合理使用内容。
• 强调安全模型必须受到受保护内容的影响，以避免对合法输出的审查。
• 提出一种放松版的NAF，仅在存在明确、既定的与受保护作品关联时才丢弃内容。

实验结果

研究问题

• RQ1 差分隐私等算法稳定性技术能否作为生成式人工智能中版权侵权检测的可靠代理？
• RQ2 以隐私为中心的指标（如NAF或DP）为何无法与版权法的核心原则（如原创性与合理使用）对齐？
• RQ3 算法稳定性方法在多大程度上可能压制受版权保护材料的合法、转化性使用？
• RQ4 算法方法能否被重新定位为非二元侵权检测器，而是用于量化原创性或思想表达二分法等法律标准？

主要发现

• 差分隐私和NAF等算法稳定性方法具有过度涵盖性，可能错误地将合法的转化性使用标记为侵权。
• 完全避免受保护内容影响的模型可能无意中审查了在合理使用或转化性使用原则下合法的内容。
• 即使模型稳定且未直接复制特定作品，其仍可能因共享训练数据而生成实质相似的原创内容，但这并不等同于侵权。
• 当安全模型未受受保护内容影响时，NAF框架会失效，导致对与受保护作品在语义上相关的内容进行不合理的压制。
• 一种仅在存在明确、既定的与受保护作品关联时才丢弃内容的放松版NAF，可能更好地保护合法使用。
• 本研究结论认为，算法方法不应取代法律标准，而应协助衡量原创性等模糊法律概念，而非用于执行二元侵权规则。