AI“您的数据被盗了吗？六个主要机构正在协作提出四个主要的分层系统以进行

作者的本文联合主管是新加坡技术大学的博士后研究员李·伊明（Li Yiming）博士，以及Z江大学国家街区和数据安全研究所的博士生Shao Shuo。相应的作者是Zhijiang大学的Li Yiming博士和Qin Zhan教授。 Other Authors Include: His Yu, A Doctoral Student At Zhijiang University, postdoctoral Researcher at the University of Maryland, Dr. Guo Junfeng, Associate Professor Zhang Tianwei, Professor Nanyang Technological University, Professor Tao Dacheng, Singapore, Chief Investigator at IBM Institute, Dr. Pin-Yu Chen, Dr. Pin-Yu Chen, Dr. Pin-Yu Chen, Dr. Pin-Yu Chen, Professor Michael Backes，牛津大学教授菲利普·托雷（Philip Torre）教授，齐吉安格大学计算机科学技术系莱恩·库伊（Len Kui）教授。您是否曾经担心代码或报告嫉妒您的AI向导成为英雄下一个过滤新闻？还是它们在线出版，数幅AI绘画大量想象并用于商业盈利能力？这不是警惕的态度，而是所有用户和人工智能专业人员都可能发生的风险。 2023年，发现三星员工泄露了公司的机密源代码并泄露了Chatgpt。同年，意大利数据保护机构停止使用CHATGPT，因为当地居民担心在国外训练AI。随着AI生成的完全流行，越来越多的用户正在使用AI，并取决于AI的日常工作和生活。这些真实的事件已为AI Waves的所有用户和专业人员感到震惊。这揭示了深刻的变化。在AI时代，尤其是AI产生的时代，数据不再是硬盘上的静态文件，而是在训练，推理和AI产生的生命周期中“流体”。传统的数据保护方法（例如FILE加密，防火墙）可能不再解决AI方案的数据保护挑战。对于用户和IA从业者来说，发电的AI时代是一个因素。 A new cognitive framework is urgently needed to completely understand the problems of "protection and address the challenges of data protection. In the era of artificial intelligence (general), when we talk about data protection, what are we talking about? To answer this question, researchers from the national key institutes of Blockchain and Data Security from Zhijiang, the University of Maryland, the Technological University of Nanyang, IBM, the Information Security Center of Helmholtz and the University of OxFord recently发布了一个易于理解的文档。人工智能，数据保护的范围比静态数据的传统保护范围要高得多，但要保护整个以模型为中心的生命模型，包括培训数据集，人工智能模型，部署的集成数据，用户输入，人工智能的合成内容。培训数据集：在模型开发过程中，需要许多高质量的培训数据集，例如用于模型培训的“燃料”。培训数据集通常是收集不同数据的多个来源，这使得它们更有可能包括隐私数据或版权。人工智能模型：包括体系结构和型号配置在内的人工智能模型在完成模型培训后也将成为极为重要的数据资产。这些模型是大规模数据的压缩和凝结。不仅具有明显的应用值，而且具有先前训练的模型参数S还可以帮助其他下游任务的快速发展，从而允许更广泛的工业链价值。统一的数据实施：除了人工智能模型外，当前的人工智能应用程序还引入了其他辅助数据，以改善实际应用中AI模型的性能和守时性，此外在模型的实施阶段，除了人工遥控的模型外。最好的值得注意的例子是系统和外部数据库的快速词。系统的指示词可以为人工智能的生成模型提供统一的预定义指令和上下文。这用于指导模型并生成符合人类价值和特定样式的答案。外部数据库广泛用于改进的搜索和生成中，但是通过提供更新，更及时，更专业的信息，该模型生成的内容的准确性就可以提高而无需更改模型。用户输入：在模型推理阶段，用户输入信息也是紧急保护的重要组成部分。出于隐私，安全和道德原因，保护这些快速数据很重要。例如，从隐私的角度来看，用户咨询中包含的个人信息（例如名称，地址，健康详细信息）必须遵守数据保护法，并满足用户隐私的期望。商业机密也有风险。例如，员工使用AI编程助理并输入自己的代码作为指示。如果AI服务包含上述条目，则可能导致商业机密的意外泄漏。人工智能合成内容（AIGC）：最后类型的数据是AI的合成内容。发电机能力的持续改进导致了极高质量的覆盖范围的合成内容，并且您与人类产生的内容之间的差距越来越小。在此外，AI的合成内容可用于创建大型合成数据集。对于更大的AI和其他流程模型的开发也是巨大的价值。在生成人工智能时代，我们应该如何保护数据？为了系统地对AI时代的数据保护问题进行建模，本文提出了一个新的数据保护层次结构系统将Strong的数据保护目标划分为弱国家。数据不可用。数据隐私保护，数据可追溯性和数据处置。分类方法平衡了“数据利润”和“数据控制”之间的关系，为复杂的数据保护问题提供结构化解决方案，并根据真实术语指导专业人士和监管机构为更好的公用事业提供。第1级。无用的数据：数据的无法利用是指对AI模型训练或推断过程中使用的数据的基本预防。即使攻击者恢复了数据，这些数据也将对模型的培训或预测没有积极影响。非可用数据是用于牺牲数据有效性以换取绝对保护的最高数据保护。第2级。数据隐私存储：数据隐私保护旨在保护数据的隐私部分，并避免在模型的收集和推理模型中过滤的任何个人隐私信息（年龄，性别，性别，地址等）。与1级相比，数据隐私的保护维持一定程度的数据可用性，但仍然具有强大的数据保护水平。第3级。数据跟踪性：数据可追溯性是指追踪数据源，数据使用记录和数据更改的能力，用于开发AI模型和应用程序。此功能允许监管机构或数据所有者在AI应用程序中审核数据的使用，从而避免使用数据不当。实施可追溯性数据通常只需要较小的更改甚至更改，这允许可用的数据。第4级。数据消除潜力：数据删除势是指完全删除数据应用程序的数据或其效果的能力。这也是许多法律和数据保护法规（例如欧盟GDPR）所规定的“忘记权利”。消除数据使开发人员可以消除数据不必要或许可时消除最低的过载影响。数据删除为AI应用程序开发人员提供了完整的数据可用性，但仅在数据使用阶段减少PDATA旋转。实际的重要性和未来挑战本文档中提出的数据保护系统提供了新的有价值的观点，以了解现有技术，进一步促进当前的全球法规并应对未来的挑战。对现有数据保护技术的设计概念的分析：在本文中，我们将介绍四个级别的Prot上方。它还提出了仪表的概念和相应的代表性技术，为应用现有方法和后续设计提供了统一的观点和框架。全球法规和治理评论：本文列出了有关代表国家和世界各地数据保护的当前法律和法规，使用分层模型中的新“规则”检查现有的治理计划，而Allealiza则在不同地区的治理特征，偏好和不便。关于数据保护边界的挑战的其他讨论：除了检查当前的治理趋势外，本文还解释了数据保护的跨学科含义，并表明了数据保护的一些Avant -Garde挑战。数据保护与数据安全：数据安全旨在保护数据的内容并避免潜在有害和有偏见的内容。我n AI年龄，数据安全性和数据保护更加链接，保护漏洞可能会导致严重的安全问题，反之亦然。 AI（AIGC）的合成内容带来的新挑战：AI合成内容的出现引起了新的治理挑战。例如，由于缺乏创造性的人类元素，许多国家和地区拒绝授予AI的版权，这导致了灰色区域的使用和监督AI的合成内容。与仅将AIGC显示为内容本身不同，本文档中以模型为中心的数据保护模型强调了更加复杂性。当将AIGC用作培训新模型，知识蒸馏或输入以搜索改进的生成系统等数据时，AIGC本身就变得更加复杂。用于训练生成模型的原始数据的版权（或缺乏版权）是否会影响合成数据版权的状态？如果是ODEL提取了对版权数据的知识，训练模型是否生成（作为这些数据中包含的信息的紧凑表示）或通过继承相关限制而生成的数据？这些争端触及数据的中心定义。数据版权仅与数据内容的“直接表达”相关，还是可以隐式捕获和传输模型？您能否扩展到统计模式，样式和知识？ “ AI模型（尤其是生成模型）的潜在风险是一个重要的问题，其中由版权保护的信息值得注意的是，对于明显的新颖且未经保护的AIGC内容，版权信息是跨订单数据治理的困难。在几个国家中，所有这些国家都在全球化。