Az MIT CSAIL friss kutat\u00e1sa szerint min\u00e9l nagyobb adathalmazon tanul egy k\u00e9pgener\u00e1l\u00f3 AI, ann\u00e1l nehezebb megmondani, mely konkr\u00e9t k\u00e9p, alkot\u00f3 vagy szem\u00e9ly hatott egy elk\u00e9sz\u00fclt vizu\u00e1lra. A jelens\u00e9get \u201eattribution decaynek\u201d<\/strong>, vagyis az egyedi forr\u00e1sokhoz k\u00f6thet\u0151s\u00e9g fokozatos elt\u0171n\u00e9s\u00e9nek nevezik.<\/p>\n <\/p>\n A kutat\u00f3k egy \u00faj, \u201ediffusion ensemble<\/em>\u201d nev\u0171 m\u00f3dszerrel val\u00f3di ellenp\u00e9ld\u00e1nyokat vizsg\u00e1ltak: az AI-b\u00f3l egyes\u00e9vel kivett\u00e9k a tan\u00edt\u00f3k\u00e9peket, majd megn\u00e9zt\u00e9k, v\u00e1ltozik-e a gener\u00e1lt eredm\u00e9ny. Nagy adatk\u00e9szletekn\u00e9l sokszor sem egyetlen k\u00e9p, sem egy teljes m\u0171v\u00e9sz \u00e9letm\u0171v\u00e9nek, sem egy szem\u00e9ly \u00f6sszes fot\u00f3j\u00e1nak elt\u00e1vol\u00edt\u00e1sa nem okozott \u00e9rz\u00e9kelhet\u0151 v\u00e1ltoz\u00e1st.<\/p>\n Ez \u00faj megvil\u00e1g\u00edt\u00e1sba helyezheti az AI-m\u0171v\u00e9szet szerz\u0151i jogi vit\u00e1it. Ha egy gener\u00e1lt k\u00e9p nem vezethet\u0151 vissza megb\u00edzhat\u00f3an egy konkr\u00e9t tan\u00edt\u00f3anyagra, nehezebb eld\u00f6nteni, hogy m\u00e1solatr\u00f3l, sz\u00e1rmaz\u00e9kos m\u0171r\u0151l, vagy \u00faj alkot\u00e1sr\u00f3l van-e sz\u00f3. A kutat\u00e1s ugyanakkor csak diff\u00fazi\u00f3s k\u00e9pmodelleket vizsg\u00e1lt; az eredm\u00e9ny nagy nyelvi modellekre val\u00f3 \u00e9rv\u00e9nyess\u00e9ge m\u00e9g nyitott k\u00e9rd\u00e9s.<\/p>\nQ&A:<\/h2>\n
\n
\nAz a jelens\u00e9g, amikor a nagy tan\u00edt\u00f3adatb\u00e1zis miatt egy-egy konkr\u00e9t k\u00e9p hat\u00e1sa m\u00e1r nem kimutathat\u00f3 a gener\u00e1lt AI-k\u00e9pen.<\/li>\n
\nNem. Ink\u00e1bb azt jelzi, hogy a k\u00e9pek eredet\u00e9nek ut\u00f3lagos hozz\u00e1rendel\u00e9se \u00f6nmag\u00e1ban nem lesz el\u00e9g a m\u00e1sol\u00e1s vagy a jogs\u00e9rt\u00e9s meg\u00edt\u00e9l\u00e9s\u00e9hez.<\/li>\n<\/ul>\n