What's a Credit Worth? A Market Framework for Attribution-Aware Compensation in Generative Music

Technische Samenvatting: Een Marktframework voor Attributie-bewuste Compensatie in Generatieve Muziek

Probleemstelling
De snelle vooruitgang van generatieve AI in muziek, gedreven door training op grote catalogi van auteursrechtelijk beschermde opnames, heeft een kritieke kloof in het ontwerp van platforms gecreëerd: er is geen betrouwbaar, eerlijk mechanisme om makers te compenseren wanneer hun werk modellen traint die vervolgens commerciële outputs genereren. Huidige licentievormen vertrouwen doorgaans op vaste vergoedingen die op catalogus- of genre-niveau worden onderhandeld, waarbij twee belangrijke economische realiteiten worden genegeerd: (1) de marginale bijdrage van specifieke data varieert aanzienlijk per gegenereerde output, en (2) vaste vergoedingen schalen niet mee met de gegenereerde omzet door de AI. Bovendien produceren bestaande methoden voor data-attributie vaak ruisende schattingen van de bijdrage, terwijl betalingsmechanismen zelden rekening houden met deze ruis, wat leidt tot potentiële welvaartsverliezen voor zowel makers als platforms.

Methodologie
De auteurs stellen een principal-agent-framework voor dat data-attributie (het schatten van de bijdrage) verenigt met contracttheorie (het ontwerpen van betalingsregels onder onzekerheid). Het framework modelleert een markt met $N$ makers, een AI-platform en gebruikers, waarbij de focus ligt op de interactie tussen het platform en makers die hun catalogi groothandel aan het platform licentiëren.

1. Attributie en Informativiteit: De kern van het technische primitief is de informativiteit ($I_j$) van het attributiesignaal. In tegen tegenstelling tot eerder werk dat zich uitsluitend richt op het rangschikken van datapunten, behandelt dit framework de attributiescore ($\hat{a}_j$) als een ruisende schatting van de ware contrafactuele bijdrage ($a^*_j$). Informativiteit wordt gedefinieerd als de Ordinary Least Squares (OLS) helling van de ware bijdrage op de gemeten attributie:
   $$I_j := \frac{\text{Cov}(\hat{a}_j, a^*_j)}{\text{Var}(\hat{a}_j)}$$
   Onder additieve Gaussische ruis komt dit overeen met een signaal-ruisverhouding (SNR) transformatie: $I_j = \text{SNR}_j / (1 + \text{SNR}_j)$.

2. Contractontwerp: Het platform biedt lineaire contracten $\theta_j = (f_j, \rho_j)$ bestaande uit een vaste vergoeding ($f_j$) en een royaltypercentage ($\rho_j$). Makers worden gemodelleerd als risico-aversieve agenten (parameter $\alpha_j$) die waarde hechten aan de stabiliteit van betalingen. Het platform maximaliseert de winst onder de deelnamevoorwaarde van de maker (individuele rationaliteit).

3. Optimale Betalingsregel: De auteurs leiden een gesloten vorm van een attributie-gealigneerde royalty-benchmark af. De optimale royaltyvoet $\rho^*_j$ balanceert de afstemming van betaling op bijdrage tegen de risicopremie die door ruisende signalen wordt opgelegd:
   $$\rho^*_j = \text{clip}\left(\frac{I_j}{\alpha_j}, [0, 1]\right)$$
   Dit levert een regime-gebaseerde oplossing op:

   • Hoge Informativiteit ($I_j \to 1$): Royalty-gebaseerde contracten zijn optimaal.
   • Lage Informativiteit ($I_j \to 0$): Licenties met een vaste vergoeding zijn optimaal.
   • Intermediair: Hybride contracten.

4. Welvaartsanalyse: Het framework kwantificeert het welvaartsverlies ($L_j$) veroorzaakt door imperfecte attributie:
   $$L_j = \frac{\text{Var}(v_j)}{2\alpha_j}(1 - I_j)^2$$
   Dit verlies is convex, wat betekent dat het marginale voordeel van het verbeteren van de attributie het grootst is voor makers met de meest ruisende signalen.

5. Empirische Meting: Om de theorie te onderbouwen, implementeren de auteurs een leave-one-catalog-out meetpipeline. Zij finetunen modellen op subsets van data, houden specifieke catalogi buiten en meten de delta in verlies op gegenereerde outputs om een grondwaarheid ($a^*_j$) vast te stellen. Zij vergelijken dit met schaalbare attributiemethoden (EKFAC, D-TRAK voor audio; LoGra, TRAK voor symbolische muziek) om de werkelijke $I_j$ en kalibratieschalen ($K_j$) te meten.

Belangrijkste Resultaten

• Attributieruis Domineert Huidige Praktijk: Empirische metingen op 22 audio-catalogi (Stable Audio Open) en 100 symbolische catalogi (Anticipatory Music Transformer) onthullen dat huidige attributiemethoden te ruisend zijn om royalty-gebaseerde betalingen te ondersteunen. De gekalibreerde SNR ligt ongeveer een orde van grootte onder de drempel die vereist is om royalties te laten presteren ten opzichte van vaste vergoedingen. Bijgevolg is het welvaartsoptimale contract voor bijna alle makers onder de huidige technologie een licentie met een vaste vergoeding.
• Rangorde vs. Cardinale Kalibratie: Attributiemethoden die het eens zijn over de rangorde van makers (Spearman correlatie) verschillen vaak met ordes van grootte op het gebied van de cardinale schaal (kalibratiehelling). Aangezien welvaartsverlies afhangt van cardinale kalibratie, is ranggebaseerde evaluatie onvoldoende voor het ontwerp van betalingen.
• De Attributie-moat (Gracht): In een setting met competitie tussen meerdere platforms bezit een platform met superieure attributieprecisie een duurzaam voordeel. Achterblijvende platforms behalen nul privaat rendement op investeringen in attributie totdat zij de precisie van de leider evenaren, wat een "dode zone" creëert die leidt tot systematische onderinvestering in attributiekwaliteit door concurrenten.
• Uniforme Contracten Schaden Distinctieve Makers: Het paper demonstreert dat uniforme compensatiebeleid (bijv. vlakke tarieven voor iedereen) er disproportioneel voor zorgt dat hoogwaardige, onderscheidende makers (die een hoge buitenkans hebben en niet-additieve waarde bieden) het platform verlaten. Deze uitstroom resulteert in superlineaire welvaartsverliezen omdat onderscheidende stijlen niet gemakkelijk vervangen kunnen worden door het mengen van het werk van andere makers.
• Kwetsbaarheid voor Manipulatie: Makers kunnen gerapporteerde attributiescores manipuleren door de variantie te "vervlakken" (de spreiding van scores verkleinen) om hun risicopremie te verlagen zonder het gemiddelde te veranderen. Deze manipulatie is onmogelijk te weerleggen onder lineaire contracten, wat toezicht door derden (institutioneel toezicht) noodzakelijk maakt in plaats van enkel contractontwerp.

Betekenis en Claims
Het paper claimt het eerste principal-agent-framework te bieden dat data-attributie en contractontwerp specif kindelijk verbindt voor generatieve muziekmarkten. De betekenis ligt in:

1. Verschuiving van de Metriek: Het verplaatsen van de evaluatie van attributiemethoden van rangcorrelatie naar cardinale kalibratie, wat noodzakelijk is voor het bepalen van welvaartsoptimale contracten.
2. Economische Motivatie voor Onderzoek: Het bieden van een concreet economisch argument (welvaartsverlies $L_j$) voor waarom het verbeteren van de attributieprecisie cruciaal is. Het framework laat zien dat betere attributie direct vertaalt naar welvaartswinsten, maar alleen als het signaal precies genoeg is om de verschuiving van vaste vergoedingen naar royalties te rechtvaardigen.
3. Beleid en Governance: Het vaststellen dat attributiekwaliteit een meetbare economische primitief is. De auteurs stellen dat zonder transparantie en toezicht door derden, de markt zal lijden onder onderinvestering in attributietechnologie en het verlies van onderscheidende creatieve stijlen.
4. Praktische Benchmarking: Het aanbieden van de eerste empirische benchmark van attributie-informativiteit over verschillende modaliteiten (audio diffusie en symbolische taalmodellen), waarmee wordt bevestigd dat het tekort aan precisie een eigenschap is van de huidige ML in brede zin, en niet slechts van een specifieke architectuur.

De auteurs concluderen dat hoewel het framework royalty-gebaseerde compensatie in theorie ondersteunt, de huidige attributietechnologie onvoldoende is om dit in de praktijk te ondersteunen. Daarom is de directe implicatie voor de industrie een beweging naar licenties met een vaste vergoeding, gepaard met dringende investeringen in het verbeteren van de attributieprecisie om uiteindelijk royalty-gebaseerde modellen te ontsluiten.