面向機器學習的知識產(chǎn)權保護可以圍繞以下五方面展開：訓練集保護、訓練參數(shù)保護、架構保護、機器學習系統(tǒng)保護、模型防復制保護。

訓練集保護

為特定的機器學習應用創(chuàng)建出色的訓練集是一項耗時耗財?shù)墓ぷ?。盡管在典型環(huán)境中，侵權人無法直接訪問此訓練集，但是如果通過某些方式獲得了訪問權限，那么復制訓練集輕而易舉。知識產(chǎn)權法律的作用正在于此。

如果訓練集所有者的主要營業(yè)地點位于歐盟地區(qū)，那么訓練集將受到數(shù)據(jù)庫權利的保護。但是，這一權利僅對同樣位于該司法管轄區(qū)的侵權者具有法律效力。

而更加困難的是能否針對機器學習訓練集主張版權。訓練集并不是一件藝術作品。其目的通常是確保數(shù)據(jù)適合用例。根據(jù)版權法的規(guī)定，針對主題創(chuàng)建合適的數(shù)據(jù)集并不是一項創(chuàng)造性活動。但是，仍然可以主張版權的一個方面是對數(shù)據(jù)進行分類的方式。如果類別是通過創(chuàng)造性過程（例如，“美麗/丑陋”、“強/弱”、“大/小”）進行篩選的，那么就可以認為通過創(chuàng)造性標記方式創(chuàng)造的訓練集受到版權保護?；谑聦嵰兀ɡ纭柏?狗”、“交通信號燈/路燈/停車標志”）的分類不具備創(chuàng)造性，因此不受版權保護。

在某些應用領域，訓練集是通過模擬或其他人工手段生成的。有另一種觀點認為，這樣的訓練集可以受到版權保護，因為所選的模擬或生成方式可以看作是一種創(chuàng)造性選擇。但是，這一觀點從未在法庭上得到檢驗。

通常，公司會對其訓練集嚴格保密。這種做法十分合理，因為使用機器學習模型無需共享訓練集。避免訓練集被惡意復制，并對需要擁有訓練集的各方施加嚴格的契約約束似乎是最好的方法。

訓練參數(shù)保護訓練集和模型只是機器學習系統(tǒng)寶貴價值的一部分。驅動訓練算法的參數(shù)也同樣十分寶貴：選擇正確的訓練參數(shù)需要經(jīng)驗豐富的工程師花費大量時間和精力。

對于創(chuàng)建機器學習系統(tǒng)所用的訓練參數(shù)集，版權保護是最有用的。如果數(shù)據(jù)科學家通過創(chuàng)造性工作來選擇合適的訓練參數(shù)，從而確定這些參數(shù)，那么最終得到的參數(shù)集就很有可能受到版權保護。但是，如果是通過詳盡搜索（例如評估文獻中提出的許多選項）或算法過程發(fā)現(xiàn)的訓練參數(shù)，則不受版權保護。這一原則同樣適用于使用這些訓練參數(shù)和指定訓練集生成的模型。

數(shù)據(jù)庫權利可能不太適用于參數(shù)集，因為數(shù)據(jù)庫權利的一個標準是集合中的各個元素必須系統(tǒng)地或有條理地排列。參數(shù)集很難符合這個標準。

架構保護系統(tǒng)架構是機器學習系統(tǒng)的基礎。其設計是確保系統(tǒng)正常運行的關鍵要素。在完成訓練后，架構就將投入使用。這類系統(tǒng)包含兩部分：定義架構的圖形和實現(xiàn)架構的軟件。圖形符合保護的條件與模型參數(shù)相同。從理論上講，架構的創(chuàng)新硬件層面可以申請專利；但是由于這一領域的大多數(shù)創(chuàng)新基本只與軟件有關，因此硬件專利不太現(xiàn)實。實施訓練和/或推理的軟件通常會受到版權保護，因為軟件主要是通過創(chuàng)造性工作設計而成的。

機器學習系統(tǒng)保護理論上，使用精心選擇的參數(shù)集編程并基于特定訓練集訓練的電腦系統(tǒng)屬于可獲專利的主題范圍。但是，歐洲和美國的現(xiàn)行判例法要求系統(tǒng)的設計目標是執(zhí)行現(xiàn)實世界中的任務，例如駕駛汽車或識別現(xiàn)實世界中的圖像。對于以更抽象的方式運行的機器學習系統(tǒng)（例如，在現(xiàn)實世界中缺少特定用例的情況下，進行識別和/或分類），能否獲得專利仍未可知。

就像任何其他軟件一樣，機器學習系統(tǒng)的軟件一定可以受到版權保護。

機器學習系統(tǒng)的數(shù)據(jù)庫權利在理論上是有爭議的：爭議點在于數(shù)據(jù)集可通過模型和執(zhí)行該模型的軟件進行搜索。但是，這一觀點從未在法庭上或法律文獻中得到檢驗。

模型防復制保護當機器學習系統(tǒng)在對公眾沒有契約或使用限制的情況下推出時，就可以使用某種獨特的方法來復制其功能。本質上，抄襲者使用一個未分類項目數(shù)據(jù)集，并將每個項目提交到機器學習系統(tǒng)。每個答案都仔細地記錄為抄襲者的數(shù)據(jù)集分類。從而獲得一個帶有標簽的數(shù)據(jù)集，用來訓練相似質量的模型。事實證明，即使數(shù)據(jù)集包含非問題域數(shù)據(jù)，并且目標系統(tǒng)和克隆系統(tǒng)的架構與模型參數(shù)不匹配，這一方法仍然有效。根據(jù)版權或數(shù)據(jù)庫法律的規(guī)定，暫時無法界定這種行為是否合法。原始機器學習系統(tǒng)中的數(shù)據(jù)集未被復制;只是利用了系統(tǒng)輸出，而且只用來標記另一個數(shù)據(jù)集。

如果數(shù)據(jù)集分類本身具有創(chuàng)造性，那么抄襲者可能會因為重復使用標簽而侵犯版權。即使只是復制和復用標簽以對完全獨立的數(shù)據(jù)集進行分類，也有可能侵犯版權。但是，這一觀點從未在法庭上得到檢驗。

舉證責任

發(fā)現(xiàn)侵權者和在法庭上證明侵權是兩件截然不同的事情。在知識產(chǎn)權訴訟案件中，舉證責任可能難以實現(xiàn)。一般而言，法院需要得到充分的證據(jù)來確信很有可能存在侵權。被指控的侵權人沒有義務提供相關證據(jù)。因此，如果需要的證據(jù)在侵權人的掌握之下，那么知識產(chǎn)權權利所有者就可能會遇到問題。一些司法管轄區(qū)允許扣押證據(jù)或要求當事方進行所謂的“透露”，但這并不能確保權利所有者得到所需證據(jù)。

根據(jù)版權法的規(guī)定，如果兩個物品非常相似，那么法院可以反轉舉證責任：侵權人必須證明其作品是獨立創(chuàng)作的。但是，這是法院針對特定事實分析的結果，權利所有者不應依賴于這一機制。

根據(jù)商業(yè)機密法的規(guī)定，權利所有者有時可以選擇要求法院對證據(jù)保密，或者讓獨立的一方（例如公證人）將證據(jù)與機密信息進行比較，而不必使機密成為公開法院記錄的一部分。
責任編輯:pj