EVENT DOSSIER
MIT CSAIL 发布归因衰减研究并公布扩散集成新架构
麻省理工学院计算机科学与人工智能实验室（CSAIL）最新研究指出，大型人工智能图像生成模型产生的作品往往难以追溯到具体的训练数据来源。该现象被称为“归因衰减”，即当训练数据集规模足够大时，移除单个样本不会改变模型的输出结果，因此无法认定特定数据对最终图像负责。为解决这一问题，研究团队开发了名为“扩散集成”的新架构，通过构建多个基于不同数据切片的小模型替代单一巨型模型，实现了无需重新训练即可精确验证输入影响的方法。测试表明，该集成模型在保持图像质量的同时，有效解决了大规模数据下的归因难题。
国际 · 主流媒体跨 1 天
MIT CSAIL 发布归因衰减研究并公布扩散集成新架构
MIT CSAIL 研究发现大型生成模型产生的图像难以追溯至具体训练数据，提出‘归因衰减’现象及扩散集成新架构。
2 条报道麻省理工学院计算机科学与人工智能实验室（CSAIL）最新研究发现，大型生成模型产生的图像往往无法追溯至具体训练数据。该研究指出“归因衰减”现象：随着训练数据规模扩大，单个样本对输出的影响逐渐消失，移除特定图像或某位艺术家的全部作品均不改变生成结果。MIT 前研究员郑大（Zheng Dai）表示，若删除数据后输出不变，则该数据未对结果产生贡献，因此无法将其归因于任何单一来源。研究团队开发了名为“扩散集成”的架构，通过构建多个基于不同数据切片的小模型替代单一巨型模型，实现了无需重新训练即可精确验证输入影响的绝对方法。测试显示，该集成模型在图像质量上与传统扩散模型相当，且在大规模数据下表现更优，证明了其高效性。
**当AI艺术没有作者：研究发现生成的图像往往无法追溯到训练数据** 当人工智能图像生成器产生一幅肖像时，其创作者是谁？这一问题正引发全球范围内的诉讼、授权协议及监管提案。艺术家希望获得署名权，公司寻求明确性，政策制定者则试图建立责任归属机制。来自麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究团队提出，对于在大型数据集上训练的模型，这一问题往往没有答案。这并非因为寻找其依据的工具不足，而是因为连接本身已消失。研究人员称之为“归因衰减”（attribution decay）现象：当模型训练数据规模足够大时，从任何单个训练样本中移除它，都不会改变模型的输出。如果移除某项数据对输出没有任何影响，那么该项数据就不能被认为对该输出负责。 “如果你拿走一个数据点，模型输出没有变化，那么这项数据就没有影响输…