“Attribution decay”: quando l’IA rende quasi invisibile il contributo di una singola immagine
Nei generatori di immagini basati sulla diffusione, l’influenza di una singola immagine sull’output può diventare impercettibile quando il dataset cresce: è il fenomeno definito “attribution decay”. Il risultato rende più difficile collegare un’immagine generata a una fotografia, a un artista o a una specifica opera...
Nei generatori di immagini basati sulla diffusione, l’influenza di una singola immagine sull’output può diventare impercettibile quando il dataset cresce: è il fenomeno definito “attribution decay”.
Il risultato rende più difficile collegare un’immagine generata a una fotografia, a un artista o a una specifica opera di addestramento.
Lo studio non dimostra che l’uso di opere protette dal diritto d’autore sia legale e non esclude che i modelli possano memorizzare o riprodurre immagini.
I ricercatori hanno usato una “diffusion ensemble”, un insieme di componenti più piccoli, per testare l’effetto della rimozione esatta di singole fonti dai dati di addestramento.
What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution decAI-generated editorial hero image for What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution dec.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution dec. Article summary: The study found “attribution decay”: as a diffusion image generator is trained on more images, the causal influence of any one training image on a particular output can become too small to detect—and may disappear under . Topic tags: general web, openai, llm, ai, workflow. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
openai.com
La ricerca di Zheng Dai e David Gifford, del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT, ha individuato un fenomeno chiamato “attribution decay”: più immagini vengono usate per addestrare un generatore basato sulla diffusione, più l’influenza causale di ciascuna singola immagine su un determinato risultato tende a ridursi, fino a diventare impossibile da rilevare con un test di rimozione esatta.
Questo non significa che un modello non possa mai copiare o memorizzare un’immagine. Significa piuttosto che, su dataset abbastanza grandi, può diventare molto difficile dimostrare che un particolare output sia stato causato da una specifica fotografia, da un’opera o dall’intero corpus di un artista.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "“Attribution decay”: quando l’IA rende quasi invisibile il contributo di una singola immagine"?
Nei generatori di immagini basati sulla diffusione, l’influenza di una singola immagine sull’output può diventare impercettibile quando il dataset cresce: è il fenomeno definito “attribution decay”.
What are the key points to validate first?
Nei generatori di immagini basati sulla diffusione, l’influenza di una singola immagine sull’output può diventare impercettibile quando il dataset cresce: è il fenomeno definito “attribution decay”. Il risultato rende più difficile collegare un’immagine generata a una fotografia, a un artista o a una specifica opera di addestramento.
What should I do next in practice?
Lo studio non dimostra che l’uso di opere protette dal diritto d’autore sia legale e non esclude che i modelli possano memorizzare o riprodurre immagini.
“Attribution decay”: quando l’IA rende quasi invisibile il contributo di una singola immagine
Nei generatori di immagini basati sulla diffusione, l’influenza di una singola immagine sull’output può diventare impercettibile quando il dataset cresce: è il fenomeno definito “attribution decay”. Il risultato rende più difficile collegare un’immagine generata a una fotografia, a un artista o a una specifica opera...
Nei generatori di immagini basati sulla diffusione, l’influenza di una singola immagine sull’output può diventare impercettibile quando il dataset cresce: è il fenomeno definito “attribution decay”.
Il risultato rende più difficile collegare un’immagine generata a una fotografia, a un artista o a una specifica opera di addestramento.
Lo studio non dimostra che l’uso di opere protette dal diritto d’autore sia legale e non esclude che i modelli possano memorizzare o riprodurre immagini.
I ricercatori hanno usato una “diffusion ensemble”, un insieme di componenti più piccoli, per testare l’effetto della rimozione esatta di singole fonti dai dati di addestramento.
What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution decAI-generated editorial hero image for What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution dec.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What did Zheng Dai and David Gifford’s MIT CSAIL study, published in Nature Communications on August 20, 2026, reveal about “attribution dec. Article summary: The study found “attribution decay”: as a diffusion image generator is trained on more images, the causal influence of any one training image on a particular output can become too small to detect—and may disappear under . Topic tags: general web, openai, llm, ai, workflow. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with
openai.com
La ricerca di Zheng Dai e David Gifford, del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT, ha individuato un fenomeno chiamato “attribution decay”: più immagini vengono usate per addestrare un generatore basato sulla diffusione, più l’influenza causale di ciascuna singola immagine su un determinato risultato tende a ridursi, fino a diventare impossibile da rilevare con un test di rimozione esatta.
Questo non significa che un modello non possa mai copiare o memorizzare un’immagine. Significa piuttosto che, su dataset abbastanza grandi, può diventare molto difficile dimostrare che un particolare output sia stato causato da una specifica fotografia, da un’opera o dall’intero corpus di un artista.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "“Attribution decay”: quando l’IA rende quasi invisibile il contributo di una singola immagine"?
Nei generatori di immagini basati sulla diffusione, l’influenza di una singola immagine sull’output può diventare impercettibile quando il dataset cresce: è il fenomeno definito “attribution decay”.
What are the key points to validate first?
Nei generatori di immagini basati sulla diffusione, l’influenza di una singola immagine sull’output può diventare impercettibile quando il dataset cresce: è il fenomeno definito “attribution decay”. Il risultato rende più difficile collegare un’immagine generata a una fotografia, a un artista o a una specifica opera di addestramento.
What should I do next in practice?
Lo studio non dimostra che l’uso di opere protette dal diritto d’autore sia legale e non esclude che i modelli possano memorizzare o riprodurre immagini.
Invece di stimare matematicamente l’influenza di ogni immagine, i ricercatori hanno costruito una “diffusion ensemble”: un’architettura composta da numerosi componenti più piccoli, addestrati su porzioni diverse dei dati.
Per ottenere il modello controfattuale — cioè quello che non aveva mai visto una determinata fonte — hanno disattivato tutti i componenti che l’avevano inclusa nei dati di addestramento. In questo modo hanno potuto testare la rimozione senza dover riaddestrare il modello e senza ricorrere a un’approssimazione.
L’approccio è stato confrontato con 24 modelli di diffusione convenzionali addestrati sugli stessi dati, con una qualità degli output sostanzialmente comparabile secondo le metriche standard.
I test hanno riguardato dataset composti da 256 immagini fino a oltre 160.000 elementi. I ricercatori hanno rimosso, di volta in volta:
una singola immagine;
tutte le opere di un determinato artista;
tutte le fotografie raffiguranti una certa persona.
Quando le dimensioni del dataset aumentavano, la rimozione di una di queste fonti spesso non produceva cambiamenti apprezzabili nell’immagine generata. È proprio questa diminuzione dell’effetto misurabile della singola fonte a essere definita attribution decay.
Cosa può cambiare nelle cause sul copyright
Il risultato potrebbe complicare le controversie in cui si sostiene che un’immagine prodotta da un sistema collegato, per esempio, a Midjourney, OpenAI o Microsoft sia stata causata o copiata da una specifica opera del ricorrente. Se eliminare esattamente quell’opera — o anche l’intero insieme di lavori dell’artista — lascia invariato l’output rilevante, questo particolare test controfattuale offre una base limitata per attribuire quell’immagine alla fonte rimossa.
Ma lo studio non decide le questioni giuridiche più ampie. Restano da valutare, tra gli altri aspetti:
se le aziende abbiano copiato le opere per creare i dataset di addestramento;
se l’addestramento costituisca una violazione del diritto d’autore o rientri nel fair use, dove applicabile;
se l’output sia sostanzialmente simile a un’opera protetta;
se il modello sia stato richiesto o configurato intenzionalmente per imitare un artista.
La ricerca fornisce quindi evidenze sulla possibilità di attribuire causalmente un determinato output a una fonte specifica, ma non rappresenta una sentenza né una valutazione definitiva della liceità dei sistemi di IA.
Perché non è un “via libera” all’uso dei dati protetti
I modelli di diffusione possono ancora memorizzare o riprodurre esempi presenti nei dati di addestramento in determinate condizioni. L’attribution decay indica che l’effetto della singola fonte diventa spesso non misurabile quando la scala dei dati cresce: non dimostra che la copia non avvenga mai.
Inoltre, l’analisi riguarda i generatori di immagini basati sulla diffusione e non può essere estesa automaticamente ai modelli linguistici o ad altre architetture generative.
Per questo, nei procedimenti giudiziari potrebbe essere necessario raccogliere prove diverse dal semplice collegamento “una specifica immagine di addestramento-un determinato output”: documenti sull’acquisizione dei dati, confronti diretti di somiglianza, test del comportamento del modello con prompt mirati, informazioni sulla provenienza dei contenuti e valutazioni di esperti. Questa è una conseguenza interpretativa della difficoltà, mostrata dallo studio, di attribuire a una singola fonte la causa di un output quando il dataset raggiunge grandi dimensioni.
A diffusion model conditioned on compound bioactivity profiles for generating high-content images
Invece di stimare matematicamente l’influenza di ogni immagine, i ricercatori hanno costruito una “diffusion ensemble”: un’architettura composta da numerosi componenti più piccoli, addestrati su porzioni diverse dei dati.
Per ottenere il modello controfattuale — cioè quello che non aveva mai visto una determinata fonte — hanno disattivato tutti i componenti che l’avevano inclusa nei dati di addestramento. In questo modo hanno potuto testare la rimozione senza dover riaddestrare il modello e senza ricorrere a un’approssimazione.
L’approccio è stato confrontato con 24 modelli di diffusione convenzionali addestrati sugli stessi dati, con una qualità degli output sostanzialmente comparabile secondo le metriche standard.
I test hanno riguardato dataset composti da 256 immagini fino a oltre 160.000 elementi. I ricercatori hanno rimosso, di volta in volta:
una singola immagine;
tutte le opere di un determinato artista;
tutte le fotografie raffiguranti una certa persona.
Quando le dimensioni del dataset aumentavano, la rimozione di una di queste fonti spesso non produceva cambiamenti apprezzabili nell’immagine generata. È proprio questa diminuzione dell’effetto misurabile della singola fonte a essere definita attribution decay.
Cosa può cambiare nelle cause sul copyright
Il risultato potrebbe complicare le controversie in cui si sostiene che un’immagine prodotta da un sistema collegato, per esempio, a Midjourney, OpenAI o Microsoft sia stata causata o copiata da una specifica opera del ricorrente. Se eliminare esattamente quell’opera — o anche l’intero insieme di lavori dell’artista — lascia invariato l’output rilevante, questo particolare test controfattuale offre una base limitata per attribuire quell’immagine alla fonte rimossa.
Ma lo studio non decide le questioni giuridiche più ampie. Restano da valutare, tra gli altri aspetti:
se le aziende abbiano copiato le opere per creare i dataset di addestramento;
se l’addestramento costituisca una violazione del diritto d’autore o rientri nel fair use, dove applicabile;
se l’output sia sostanzialmente simile a un’opera protetta;
se il modello sia stato richiesto o configurato intenzionalmente per imitare un artista.
La ricerca fornisce quindi evidenze sulla possibilità di attribuire causalmente un determinato output a una fonte specifica, ma non rappresenta una sentenza né una valutazione definitiva della liceità dei sistemi di IA.
Perché non è un “via libera” all’uso dei dati protetti
I modelli di diffusione possono ancora memorizzare o riprodurre esempi presenti nei dati di addestramento in determinate condizioni. L’attribution decay indica che l’effetto della singola fonte diventa spesso non misurabile quando la scala dei dati cresce: non dimostra che la copia non avvenga mai.
Inoltre, l’analisi riguarda i generatori di immagini basati sulla diffusione e non può essere estesa automaticamente ai modelli linguistici o ad altre architetture generative.
Per questo, nei procedimenti giudiziari potrebbe essere necessario raccogliere prove diverse dal semplice collegamento “una specifica immagine di addestramento-un determinato output”: documenti sull’acquisizione dei dati, confronti diretti di somiglianza, test del comportamento del modello con prompt mirati, informazioni sulla provenienza dei contenuti e valutazioni di esperti. Questa è una conseguenza interpretativa della difficoltà, mostrata dallo studio, di attribuire a una singola fonte la causa di un output quando il dataset raggiunge grandi dimensioni.
A diffusion model conditioned on compound bioactivity profiles for generating high-content images
news.mit.eduWhen AI art has no author: Study finds generated images ...
nature.comA generative diffusion model for amorphous materials