技術要約：AME – 生成AI市場におけるマルチタイプ貢献者アトリビューション・フレームワーク

1. 問題提起

生成AIのエコシステムは、学習データ、ベースモデル、ファインチューニングの挙動（LoRAなど）、プロンプトといった異種混合の貢献を通じて価値が創造される、多段階かつ多当事者によるコラボレーションを伴います。既存のデータ価値評価および収益分配メカニズムは、同質な参加者と単一段階の生産設定を想定して設計されているため、このような環境には不十分です。

本論文は、これらの多段階パイプライン内での価値分配における3つの核心的な課題を特定しています。

1. 不正確なアトリビューション（帰属判定）： 現行の手法では、多様なタイプの貢献者（データ、モデル、労力、プロンプト）からの貢献を、複数のステージにわたって公平に定量化および集計することに苦慮しています。
2. ミスマッチなマッピング： 定量化された貢献価値は、複雑な権限構造、所有権と使用権の分離、および多様なライセンス条項により、権利保持者に直接結びつけることが困難です。
3. 不十分な信頼性： 分配アルゴリズムの信頼できる実行を保証することは、計算コストが高価になります。ブロックチェーンは透明性を提供しますが、複雑な生成AIのワークロード（学習、推論、アトリビューション）を完全な検証（ゼロ知識証明など）によって検証するコストは、しばしば過度となります。

2. 手法：AMEフレームワーク

著者らは、これら3つの課題に逐次的に対処するために設計された、3つの論理レイヤーからなる統一フレームワークである AME (Attribution–Mapping–Execution) を提案しています。

レイヤー1：アトリビューション・レイヤー (MMShapley)

このレイヤーは、シャプレー値に基づくマルチタイプ・マルチステージのアトリビューション・アルゴリズムである MMShapley を導入します。

• マルチステージ協調ゲームモデリング： パイプラインは、レイヤー ($L$) を持つ有向非巡回グラフ ($G$) としてモデル化されます。貢献者は、学習データ ($N_{data}$)、モデル ($N_{model}$)、ビルダーの労力 ($N_{effort}$)、プロンプト ($N_{prompt}$) の4つの集合に分割されます。
• マルチタイプ効用関数： セマンティックな貢献を評価するために、生成された画像とターゲット画像との間のCLIPベースの類似度関数を使用します。連合（coalition）の効用は、期待される類似度として定義されます。
• 不完全性の処理： 効用関数は、連合の完全性を考慮します。例えば、データのみでモデルがない連合はゼロの効用を生みますが、データとデフォルトモデルがある連合は部分的な効用を生みます。
• 小規模連合へのペナルティ： 小規模な連合における「フリーライダー」を防ぐため、ペナルティ演算子 ($\delta_{size}$) が適用されます。貢献者の独立した価値が閾値 ($\theta$) を下回る場合、その小規模連合における重みは大幅に減少します。
• ステージ間伝播： グローバルな遡及演算子が、貢献価値を下流から上流のレイヤーへと伝播させます。情報理論（チャネルノイズと情報ボトルネックを考慮）から導出された距離減衰関数 ($\delta_{dist}$) は、最終出力からの距離が大きくなるにつれて、貢献の重みを減少させます。
• 複雑性の最適化： 標準的なシャプレー計算の指数関数的な複雑性 ($O(2^n)$) を回避するため、フレームワークはLoRAモジュールの加法性とパイプラインの階層構造を活用し、問題を独立したレイヤー内のサブゲームへと分解します。

レイヤー2：マッピング・レイヤー (権利の資格付け)

このレイヤーは、抽象的な貢献価値を、分散型のNFTベースのメカニズムを用いて実行可能な経済的権利へと変換します。

• 所有権と使用権の分離： 各貢献ソースはERC-721 NFTとしてミントされます。フレームワークは、所有権NFT（完全な制御）と 使用権NFT（許可された権限）を分離します。
• プログラム可能なライセンス： 使用権NFTには、認可タイプ（固定料金、収益シェア）、有効期間、利益分配比率を含む動的な条件のメタデータが含まれます。
• 収益分配式： 権利保持者 $j$ への最終的な分配は、彼らが認可された貢献ソース（MMShapley値によって重み付けされる）から得られる収益シェアと、いかなる固定料金の合計によって計算されます。これは、入れ子状の認可とマルチレベルの利益分配をサポートします。

レイヤー3：実行レイヤー (信頼できるプロトコル)

このレイヤーは、スマートコントラクトと行動検証メカニズムを組み合わせた二層プロトコルを通じて、分配スキームの実装を保証します。

• スマートコントラクトのワークフロー： コントラクトは、所有権/使用権の検証、計算ノードのスケジューリング、学習/推論の実行、および手数料の決済といった全ライフサイクルを管理します。
• ステーキング、監査、およびレピュテーション： 完全な検証に伴う高コストを避けつつ信頼性を確保するため、システムは以下を採用しています。
  • ステーキング： ノードは参加するためにステーク ($S$) をロックする必要があります。
  • ランダム監査： 結果は確率 $p$ で抜き打ち検査されます。
  • スラッシング（没収）： 監査に失敗した場合、ステークの一部 ($\gamma S$) が没収されます。
  • レピュテーション（評判）： 監査結果に基づき、指数移動平均を用いてレピュテーションスコア ($\rho_t$) が更新されます。高いレピュテーションは、将来の収益機会の増加と相関します。
• インセンティブ適合性： 理論的分析により、即時的な経済的罰則（スラッシング）と長期的なレピュテーションの喪失を組み合わせることで、合理的なノードが低頻度の監査下でも正直な行動を選択する、インセンティブ適合的な環境が構築されることが示されています。

3. 主な貢献

1. MMShapley アルゴリズム： コーリションサイズ・ペナルティとレイヤー間距離減衰を取り入れることで、異種混合で多段階の生成AIパイプラインにシャプレー値を拡張した、新しいアトリビューション手法。
2. 統合されたAMEフレームワーク： 貢献のアトリビューション、権利のマッピング（分離されたNFTによる）、および信頼できる実行を、生成AI市場のための単一のワークフローへと統合した初のフレームワーク。
3. コスト効率の高い実行プロトコル： スマートコントラクトとステーキング・監査・レピュテーションシステムを組み合わせることで、AIワークロードに対する高価な暗号学的検証を回避しつつ、信頼できる分配を実現するメカニズム。

4. 実験結果

本論文は、Stable Diffusion 1.5、LoRAファインチューニング、および人間による評価を用いた画像生成実験を通じてフレームワークを検証しています。

• アトリビューションの妥当性：

  • 人間との整合性： ステージ内の評価において、AMEのアトリビューション・ランキングは、人間によるベースラインと完全な一致（Spearman $\rho=1.0$, Kendall $\tau=1.0$）を示し、Uniform AllocationおよびDaraxideフレームワークを大幅に上回りました。
  • グローバル・アトリビューション： グローバル評価において、AMEは最も低い正規平均絶対誤差（NMAE = 0.104）を達成し、他の手法と比較して人間の直感と最も高い相関を示しました。
  • スタイルの不在： 特定のスタイル（例：クレイアニメーション）が存在しないシナリオにおいて、AMEは無関係なLoRAモデルの貢献をほぼゼロ（0.012）に抑制することに成功しましたが、他の手法はそれに対して有意な重みを割り当てました。
  • アブレーション研究： 実験により、距離減衰およびコーリションサイズ減衰の演算子の両方が、NMAEの最小化とランキングの一貫性向上に不可欠であることが確認されました。

• 実行の実現可能性：

  • ガス消費量： Ethereumテストネット上にデプロイされた結果、フレームワークの高頻度操作（認可、タスク作成など）のガス消費量は51,000から210,000の間であり、活発なコラボレーション・エコシステムをサポートする上で許容範囲内であると判断されました。
  • スループット： システムは認可設定において最大41.5 TPSの理論的スループットを達成し、現在のプラットフォームのニーズを満たすのに十分な性能を示しました。

• インセンティブ適合性：

  • シミュレーション： モンテカルロ・シミュレーションにより、ステーキング、ランダム監査、およびレピュテーション・メカニズムの組み合わせが、集団の正直な割合を約95.7%へと効果的に導くことが示されました。これは、ステーキングのみ、あるいは監査のみのシステムを大幅に上回る結果です。
  • 安全マージン： 分析により「確率的安全回廊」が特定され、監査確率10%においてステーク対収益比 ($S/R$) が7.0であれば99.9%以上の安全性が確保されることが示され、インセンティブ設計の堅牢性が検証されました。

5. 意義と主張

本論文は、生成AIデータ市場における価値評価と収益分配のための初期の基礎を提供すると主張しています。既存の研究の断片化に対し、以下の要素を接続する統一的なソリューションを提供することで対処しています。

• バリュエーション（価値評価）： 異種混合の貢献を公正に定量化する。
• 権利： プログラマブルなライセンスを通じて、値を権利保持者に動的にマッピングする。
• 実行： 信頼でき、かつコスト効率の高い決済を保証する。

著者らは、現在の評価が画像生成パイプラインに焦点を当てており、インセンティブの検証にシミュレーションを用いていることを認めつつも、AMEフレームワークが、公正で持続可能な生成AI経済の将来研究に向けた、必要不可欠な理論的および実践的な基盤を確立するものであると強調しています。