🤖 machine learning

AME: A Multi-Type Contributor Attribution Framework in Generative AI Markets

Dit artikel introduceert AME, een verenigd framework ontworpen om de uitdagingen van eerlijke waardetoewijzing in generatieve AI-markten aan te pakken door integratie van waardering van bijdragers van meerdere typen, rechtenmapping en betrouwbare uitvoering om resultaten te bereiken die consistent zijn met menselijke oordelen.

Oorspronkelijke auteurs: Yang Shi, Songwen Pei, Yang Gao, Bingxue Zhang

Gepubliceerd 2026-06-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yang Shi, Songwen Pei, Yang Gao, Bingxue Zhang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorm, collaboratief kunstproject voor waarbij het uiteindelijke meesterwerk niet door slechts één persoon wordt geschilderd. In plaats daarvan wordt het gecreëerd door een team: iemand levert het ruwe canvas (data), iemand bouwt het ezels en de penselen (het basismodel), iemand schildert de eerste schets (fine-tuning), en iemand geeft de uiteindelijke instructies over wat er getekend moet worden (de prompt).

In de wereld van Generatieve AI is dit precies hoe afbeeldingen en content worden gemaakt. Maar hier is het probleem: Wie verdient het geld wanneer de kunst verkocht wordt?

Momenteel is het systeem een puinhoop. Het is als een potluck-diner waarbij iedereen een gerecht meeneemt, maar de rekening gelijkmatig wordt verdeeld, ongeacht wie de dure biefstuk heeft meegebracht versus wie een zak chips heeft meegenomen. Het paper dat je hebt verstrekt, getiteld "AME: A Multi-Type Contributor Attribution Framework," stelt een nieuwe, eerlijkere manier voor om de beloningen te verdelen. Ze noemen hun oplossing het AME-framework, wat staat voor Attribution, Mapping, and Execution (Toeschrijving, Mapping en Uitvoering).

Zo werkt het, onderverdeeld in drie eenvoudige lagen:

Laag 1: De "Eerlijke Scorekeeper" (Attribution)

Het Probleem: In het verleden konden we niet gemakkelijk bepalen hoeveel credit een specifiek stuk data of een specifieke prompt verdiende. Leverde het basismodel 90% van het werk, of was het de specifieke prompt? Bestaande methoden behandelden iedereen hetzelfde, wat niet eerlijk was.

De AME-oplossing: De auteurs creëerden een nieuw wiskundig hulpmiddel genaamd MMShapley. Zie dit als een superintelligente scheidsrechter die het hele creatieve proces in de gaten houdt.

Het kijkt naar elke fase van de creatie (training, bouwen, prompting).
Het vraagt: "Als we de bijdrage van deze specifieke persoon zouden verwijderen, hoe veel slechter zou de uiteindelijke afbeelding dan zijn?"
De "Free-Rider" Fix: Soms kan een kleine bijdrage per ongeluk heel nuttig lijken. Het systeem heeft een "strafregel" (zoals een coach die een speler op de reservebank zet die niet echt zijn best doet) om ervoor te zorgen dat mensen die bijna niets doen, niet een groot inkomen ontvangen.
De "Afstand"-regel: Het paper realiseert zich ook dat de persoon die de laatste hand legt (de prompt) dichter bij het eindresultaat staat dan de persoon die het model jaren geleden heeft gebouwd. Daarom geeft het systeem iets meer gewicht aan de stappen die dichter bij de finishlijn liggen, waardoor de waarde van stappen die veel langer geleden plaatsvonden, langzaam afneemt.

Het Resultaat: Deze laag berekent een precieze "score" voor elke individuele bijdrager, van de dataleverancier tot de promptschrijver.

Laag 2: Het "Digitale Contract" (Mapping)

Het Probleem: Zelfs als we weten wie wat verdient, hoe betalen we hen dan daadwerkelijk? In de echte wereld zijn rechten ingewikkeld. Soms is de persoon die de data bezit niet degene die het gebruikt. Soms willen ze de rechten aan iemand anders verkopen, die ze vervolgens weer doorverkoopt. Traditionele systemen zijn als een vergrendelde archiefkast; zodra je hem opent, kun je niet gemakkelijk bijhouden wie wat heeft.

De AME-oplossing: Deze laag gebruikt Blockchain (een digitale, onveranderlijke grootboekadministratie) om "Digitale ID-kaarten" (NFT's) te maken voor elke bijdrage.

Scheiding van Machten: Stel je voor dat je een huis bezit (de data). Je kunt de eigendomsakte behouden (eigendom), maar het aan iemand anders verhuren (gebruiksrechten). Dit systeem scheidt de twee. Je kunt je data aan tien verschillende mensen verhuren, en het systeem houdt hen allemaal bij.
Smart Contracts: Dit zijn digitale overeenkomsten die automatisch uitbetalen op basis van de scores die in Laag 1 zijn berekend. Als de "Eerlijke Scorekeeper" zegt dat de promptschrijver 20% van de winst verdient, stuurt het contract automatisch 20% naar hun digitale wallet. Geen menselijke tussenpersoon nodig om te beslissen wie betaald krijgt.

Laag 3: De "Eerlijkheidscontroleur" (Execution)

Het Probleem: Computers zijn duur in gebruik. Als we een computer vragen om te bewijzen dat hij eerlijk aan het werk is geweest, kost dat een fortuin. Als we niet controleren, kunnen mensen valsspelen en geld pakken zonder het werk te hebben gedaan.

De AME-oplossing: Deze laag gebruikt een slimme mix van Staking, Auditing en Reputatie om iedereen eerlijk te houden zonder een fortuin uit te geven.

De Borgsom (Staking): Voordat een computer node (een werker) aan een taak begint, moet hij een bepaald bedrag vastleggen (een stake).
De Willekeurige Controle (Auditing): Het systeem controleert niet elke enkele taak (wat te duur zou zijn). In plaats daarvan kiest het willekeurige taken om te controleren, zoals een politieagent die willekeurige auto's aan de kant zet.
De Reputatiescore: Als je vals speelt en betrapt wordt, verlies je je borg én daalt je reputatiescore. Een lage reputatiescore betekent dat je geen toekomstig werk meer krijgt.
De Logica: Het is goedkoper om eerlijk te zijn. Als je vals speelt, bespaar je misschien vandaag een beetje geld, maar je verliest je borg en je toekomstige inkomen. Het systeem is zo ontworpen dat eerlijk zijn de meest winstgevende langetermijnstrategie is.

De Kernboodschap

Het paper heeft dit systeem getest met echte experimenten waarbij beeldgeneratie betrokken was.

Rechtvaardigheid: Wanneer ze mensen vroegen om te oordelen wie credit verdiende, kwam de wiskunde van het AME-systeem veel beter overeen met de menselijke intuïtie dan oude methoden.
Efficiëntie: Het systeem werkt op de blockchain zonder dat het een fortuin aan computerkosten kost.
Vertrouwen: Het "Staking + Reputatie" systeem heeft in hun simulaties succesvol voorkomen dat computers vals speelden.

Kortom, het AME-framework is een blauwdruk voor een eerlijke, geautomatiseerde en betrouwbare marktplaats waar iedereen die helpt bij het bouwen van Generatieve AI precies betaald krijgt waar hij recht op heeft, gebaseerd op een combinatie van slimme wiskunde, digitale contracten en een "eergesysteem" dat wordt ondersteund door echt geld.

Technische Samenvatting: AME – Een raamwerk voor attributie van multi-type bijdragers in generatieve AI-markten

1. Probleemstelling

Ecosystemen voor generatieve AI omvatten multi-stage, multi-party samenwerking waarbij waarde wordt gecreëerd door heterogene bijdragen, waaronder trainingsdata, basismodellen, fine-tuning gedrag (bijv. LoRA) en prompts. Bestaande mechanismen voor datavalutatie en inkomstenallocatie zijn ontoereikend voor deze omgeving omdat ze zijn ontworpen voor homogene participanten en single-stage productieomgevingen.

Het artikel identificeert drie kernuitdagingen bij het alloceren van waarde binnen deze multi-stage pipelines:

Onnauwkeurige Attributie: Huidige methoden hebben moeite met het eerlijk kwantificeren en aggregeren van bijdragen van diverse typen bijdragers (data, modellen, inspanning, prompts) over meerdere stadia heen.
Mismatch in Mapping: Gekwantificeerde bijdrage-waarden kunnen niet direct worden gekoppeld aan rechthebbenden vanwege complexe autorisatiestructuren, de scheiding tussen eigendom en gebruiksrechten, en diverse licentievoorwaarden.
Onvoldoende Vertrouwen: Het waarborgen van een betrouwbare uitvoering van allocatie-algoritmen is computationeel duur. Hoewel blockchain transparantie biedt, is de kostenpost voor het verifiëren van complexe generatieve AI-workloads (training, inferentie, attributie) via volledige verificatie (bijv. Zero-Knowledge Proofs) vaak prohibitief.

2. Methodologie: Het AME-raamwerk

De auteurs stellen AME (Attribution–Mapping–Execution) voor, een verenigd raamwerk bestaande uit drie logische lagen die ontworpen zijn om de uitdagingen sequentieel aan te pakken.

Laag 1: Attributielaag (MMShapley)

Deze laag introduceert MMShapley, een multi-type, multi-stage attributie-algoritme gebaseerd op de Shapley-waarde.

Multi-Stage Coöperatieve Spelmodellering: De pipeline wordt gemodelleerd als een gerichte acyclische graaf ( $G$ ) met lagen ( $L$ ). Bijdragers worden gepartitioneerd in vier sets: trainingsdata ( $N_{data}$ ), modellen ( $N_{model}$ ), builder-inspanning ( $N_{effort}$ ) en prompts ( $N_{prompt}$ ).
Multi-Type Nutfunctie: Om semantische bijdragen te evalueren, gebruikt het raamwerk een CLIP-gebaseerde gelijkenisfunctie tussen gegenereerde afbeeldingen en een doelafbeelding. Het nut van een coalitie wordt gedefinieerd als de verwachte gelijkenis.
Omgang met Onvolledigheid: De nutfunctie houdt rekening met de volledigheid van de coalitie. Zo levert een coalitie met alleen data maar zonder model nul nut op, terwijl een coalitie met data en een standaardmodel een gedeeltelijk nut oplevert.
Penalty voor Kleine Coalities: Om "free-riding" door zwakke bijdragers in kleine coalities te voorkomen, wordt een penalty-operator ( $\delta_{size}$ ) toegepast. Als de onafhankelijke waarde van een bijdrager onder een drempelwaarde ( $\theta$ ) ligt, wordt hun gewicht in kleine coalities aanzienlijk verminderd.
Inter-Stage Propagatie: Een globale retrospectie-operator propageert bijdrage-waarden van downstream naar upstream lagen. Een afstand-decay functie ( $\delta_{dist}$ ), afgeleid van informatietheorie (rekening houdend met kanaalruis en informatie-bottlenecks), vermindert het gewicht van bijdragen naarmate hun afstand tot de uiteindelijke output groter wordt.
Complexiteitsoptimalisatie: Om de exponentiële complexiteit ( $O(2^n)$ ) van standaard Shapley-berekeningen te vermijden, maakt het raamwerk gebruik van de additiviteit van LoRA-modules en de hiërarchische structuur van pipelines, waarbij het probleem wordt gedecomposeerd in onafhankelijke intra-layer subgames.

Laag 2: Mappinglaag (Rechten-credentialing)

Deze laag vertaalt abstracte bijdrage-waarden naar uitvoerbare economische rechten met behulp van een gedecentraliseerd, NFT-gebaseerd mechanisme.

Ontkoppeling van Eigendom en Gebruik: Elke bijdragebron wordt gemint als een ERC-721 NFT. Het raamwerk scheidt Ownership NFTs (volledige controle) van Usage-Right NFTs (geautoriseerde permissies).
Programmeerbare Licenties: Usage-right NFT's bevatten metadata voor dynamische voorwaarden, inclusief autorisatietypes (vaste vergoeding, omzetdeling), geldigheidsperioden en winstverdelingsratio's.
Inkomstenallocatieformule: De uiteindelijke allocatie voor een rechthebbende $j$ wordt berekend door de inkomstenstromen afgeleid van hun geautoriseerde bijdragebronnen (gewogen door MMShapley-waarden) en eventuele vaste vergoedingen op te tellen. Dit ondersteunt geneste autorisatie en winstdeling op meerdere niveerden.

Laag 3: Executielaag (Betrouwbaar Protocol)

Deze laag zorgt voor de implementatie van het allocatieschema via een dual-layer protocol dat smart contracts combineert met een gedragsverificatiemechanisme.

Smart Contract Workflow: Contracten beheren de gehele levenscyclus: het verifiëren van eigendoms-/gebruiksrechten, het plannen van compute nodes, de uitvoering van training/inferentie en het afwikkelen van vergoedingen.
Staking, Auditing en Reputatie: Om betrouwbaarheid te garanderen zonder de hoge kosten van volledige verificatie, gebruikt het systeem:
- Staking: Nodes moeten een inzet ( $S$ ) vastleggen om deel te nemen.
- Random Auditing: Resultaten worden met een waarschijnlijkheid $p$ gecontroleerd.
- Slashing: Mislukte audits leiden tot het verlies van een deel van de inzet ( $\gamma S$ ).
- Reputatie: Een reputatiescore ( $\rho_t$ ) wordt bijgewerkt via een exponentieel voortschrijdend gemiddelde op basis van audit-uitkomsten. Een hoge reputatie correleert met hogere toekomstige inkomstenkansen.
Incentive Compatibility: Theoretische analyse toont aan dat de combinatie van directe economische straffen (slashing) en langdurig reputatieverlies een incentive-compatibele omgeving creëert waarin rationele nodes de voorkeur geven aan eerlijk gedrag, zelfs bij lage auditfrequenties.

3. Belangrijkste Bijdragen

MMShapley Algoritme: Een nieuw attributiemethode die Shapley-waarden uitbreidt naar heterogene, multi-stage generatieve AI-pipelines, inclusief coalitie-grootte penalties en inter-layer afstand-decay.
Verenigd AME-raamwerk: Het eerste raamwerk dat bijdrage-attributie, rechten-mapping (via gedecoupleerde NFT's) en betrouwbare uitvoering integreert in een enkele workflow voor generatieve AI-markten.
Kostenefficiënt Executieprotocol: Een mechanisme dat een betrouwbare allocatie bereikt door smart contracts te combineren met een staking-auditing-reputatie systeem, waardoor de prohibitieve kosten van volledige cryptografische verificatie voor AI-workloads worden vermeden.

4. Experimentele Resultaten

Het artikel valideert het raamwerk via beeldgeneratie-experimenten met Stable Diffusion 1.5, LoRA fine-tuning en menselijke evaluatie.

Redelijkheid van Attributie:
- Menselijke Alignement: De attributierangschikking van AME vertoonde een perfecte consistentie (Spearman $\rho=1.0$ , Kendall $\tau=1.0$ ) met menselijke baselines in intra-stage evaluaties, en presteerde significant beter dan Uniform Allocation en het Daraxide-raamwerk.
- Globale Attributie: In globale evaluaties behaalde AME de laagste Normalized Mean Absolute Error (NMAE = 0.104) en de hoogste correlatie met menselijke intuïtie vergeleken met baselines.
- Afwezigheid van Stijl: In scenario's waar een specifieke stijl (bijv. Claymation) afwezig was, slaagde AME erin om de bijdrage van het irrelevante LoRA-model te onderdrukken tot bijna nul (0.012), terwijl andere methoden het een aanzienlijk gewicht toekenden.
- Ablatie-studies: Experimenten bevestigden dat zowel de afstand-decay als de coalitie-grootte-decay operatoren cruciaal zijn voor het minimaliseren van NMAE en het verbeteren van de rangschikkingsconsistentie.
Uitvoerbaarheid van Executie:
- Gasverbruik: De implementatie op een Ethereum testnet verbruikte tussen de 51.000 en 210.000 Gas voor high-frequency operaties (bijv. autorisatie, taakcreatie), wat als acceptabel wordt beschouwd voor het ondersteunen van actieve collaboratieve ecosystemen.
- Doorvoersnelheid: Het systeem bereikte theoretische doorvoersnelheden van tot 41.5 TPS voor autorisatie-instellingen, wat voldoende is voor huidige platformbehoeften.
Incentive Compatibility:
- Simulatie: Monte Carlo-simulaties toonden aan dat de combinatie van staking, random auditing en reputatiemechanismen de eerlijkheid van de populatie effectief naar ~95.7% drijft, wat aanzienlijk beter is dan systemen met alleen staking of alleen auditing.
- Veiligheidsmarges: De analyse identificeerde een "probabilistische veiligheidscorridor", waarbij een inzet-tot-omzet ratio ( $S/R$ ) van 7.0 met een 10% audit-waarschijnlijkheid een veiligheid van >99.9% bereikt, wat de robuustheid van het incentive-ontwerp verifieert.

5. Betekenis en Claims

Het artikel claimt een initieel fundament te bieden voor de waardebepaling en inkomstenallocatie in generatieve AI-datamarkten. Het pakt de fragmentatie van bestaand onderzoek aan door een verenigde oplossing te bieden die verbindt:

Valutatie: Het eerlijk kwantificeren van heterogene bijdragen.
Rechten: Het dynamisch mappen van waarden aan rechthebbenden via programmeerbare licenties.
Executie: Het waarborgen van een betrouwbare en kostenefficiënte afwikkeling.

De auteurs benadrukken dat hoewel de huidige evaluatie zich richt op beeldgeneratie-pipelines en vertrouwt op simulaties voor de validatie van incentives, het AME-raamwerk een noodzakelijke theoretische en praktische basis legt voor toekomstig onderzoek naar eerlijke en duurzame generatieve AI-economieën. Zij erkennen beperkingen, waaronder de focus op beeldgeneratie, de noodzaak om jurisdictie-specifieke juridische vereisten aan te pakken, en het gebrek aan validatie in real-world deployment.