文件名称：合理使用和机器学习-研究论文
文件大小：829KB
文件格式：PDF
更新时间：2024-06-29 13:39:08
artificial intelligence machine
如果软件制造商能够可靠地说明对受版权保护的作品的使用是否受到合理使用的保护，那么将会有一条人迹罕至的道路。 但是将机器学习应用于合理使用面临着相当大的障碍。 合理使用已经产生了数百个报告案例，但机器学习在更多示例的情况下效果最好。 更多的例子可能是可用的，从挖掘网站的决策，从让人类判断合理使用的例子就像他们标记图像来教自动驾驶汽车一样，以及使用机器学习本身来生成例子。 除了例子的数量之外，数据的形式比机器学习成功的具体例子更抽象，比如计算机视觉、查看推荐，甚至与机器翻译相比，机器翻译的操作单元是句子，而不是一个可以分布在文档中的概念。 但是目前使用的技术确实会在数据中找到模式来构建更多抽象特征，然后使用相同的过程来构建更多抽象特征。 这种自动化过程可能会提供必要的概念块。 此外，从知识工程中提取的工具（具有讽刺意味的是，最近被机器学习所掩盖的人工智能分支）可以从司法意见等数据中提取概念。 这些工具将包括知识表示和自动标记的新方法。如果克服了数据问题，机器学习提供了有趣的可能性，但也面临着公平使用法性质的挑战。 人工神经网络在分类方面表现出强大的性能。 对合理使用示例进行分类引发了许多问题。 合理使用法通常被认为是矛盾的、模糊的和不可预测的。 在计算机科学术语中，数据是“嘈杂的”。 这种不一致可能会扰乱人工神经网络，或者网络可能会泄露评论员所回避的一致性。 其他算法，如最近邻和支持向量，同样可以通过类比来使用和测试法律推理。 机器学习的另一种方法，决策树，在某些方面可能比其他方法更简单，但可以处理较小的数据集（解决上述数据问题之一）并提供机器学习通常缺乏的东西：透明度。 决策树公开了他们的决策过程，而神经网络，尤其是深度学习，是不透明的黑匣子。 最后，无监督机器学习可用于探索模式的公平用例法，无论它们是其判例中的一致结构，还是发挥了未公开作用的偏见。 然而，任何发现的可能模式都应视为可能性，等待通过其他方式进行测试。