速報
視覺擴散模型複製問題全解析：揭露、機制與緩解策略
視覺擴散模型在創意 AI 領域展現高品質、多樣化的生成能力，但也會記憶訓練資料，導致在推論時重現相似的概念、內容或風格，衍生出隱私、安全與版權等議題。本文系首篇系統性回顧，將相關研究分為三大類：揭露（偵測複製案例的方法）、理解（探討產生機制與影響因素）以及緩解（提出降低或消除複製的策略），並延伸討論醫療等實務領域的衝擊。
速報
視覺擴散模型在創意 AI 領域展現高品質、多樣化的生成能力，但也會記憶訓練資料，導致在推論時重現相似的概念、內容或風格，衍生出隱私、安全與版權等議題。本文系首篇系統性回顧，將相關研究分為三大類：揭露（偵測複製案例的方法）、理解（探討產生機制與影響因素）以及緩解（提出降低或消除複製的策略），並延伸討論醫療等實務領域的衝擊。
深度分析
研究發現公開數值基準在大型語言模型預訓練中被記憶，提出NumLeak框架檢測並量化此類記憶通道，實驗顯示主流模型可在0.97相關係數下精確回復市場超額報酬，且系統提示可阻斷99.8%的記憶查詢。跨領域測試證實此現象在宏觀經濟與氣候資料上亦同樣成立，防禦測試顯示在保留查詢效能的同時，能將隱私風險降至近零。