Investigadores del MIT descubrieron un fenómeno llamado ‘decaimiento de atribución’ en grandes modelos generativos. Este hallazgo sugiere que, para modelos lo suficientemente grandes, es difícil rastrear la influencia de imágenes específicas en los resultados generados.
Los investigadores generaron una imagen utilizando obras de 744 artistas y luego la compararon con los resultados producidos cuando cada artista fue eliminado individualmente de los datos de entrenamiento. El estudio, publicado en Nature Communications, revela que eliminar una imagen o la obra de un artista tiene poco efecto en el resultado final cuando se utilizan conjuntos de datos muy grandes.
Este descubrimiento es importante porque plantea preguntas sobre la responsabilidad y los derechos de autor en el uso de imágenes para entrenar a las IAs. Aunque no resuelve el debate sobre el uso de material protegido por derechos de autor, sí muestra cómo los modelos pueden aprender patrones visuales sin depender de una sola imagen.
TE PUEDE INTERESAR: IA convierte burbujas de buceo en alerta temprana para buzos
Qué debes saber
- El ‘decaimiento de atribución’ hace que sea difícil rastrear la influencia de imágenes específicas en modelos de IA grandes.
- Eliminar una imagen o la obra de un artista tiene poco impacto en el resultado final con conjuntos de datos grandes.
- Este hallazgo plantea preguntas sobre la responsabilidad y los derechos de autor en el uso de imágenes para entrenar a las IAs.
- El estudio utilizó conjuntos de datos que incluían desde cientos hasta 50.000 imágenes para demostrar el ‘decaimiento de atribución’.
- Los investigadores Zheng Dai y David Gifford del MIT fueron los autores principales del estudio.
Contenido generado con IA y editado por el equipo editorial.
Foto: MIT.