Atteinte au droit d'auteurL’atteinte au droit d'auteur désigne, de façon générale, les nuisances portées à la propriété intellectuelle. Aller à l’encontre des intérêts moraux et matériels de l'auteur est ainsi passible d'une action en responsabilité pénale et civile. L’ordre juridique attribue une valeur « maximale » et une « large protection » à la propriété intellectuelle. droit d'auteur Le droit d'auteur est une composante de la propriété intellectuelle.
CopyrightLe copyright, souvent indiqué par le symbole ©, est, dans les pays de common law, l’ensemble des prérogatives exclusives dont dispose une personne physique ou morale sur une œuvre de l’esprit originale. Il désigne donc un ensemble de lois en application, notamment, dans les pays du Commonwealth et aux États-Unis ; et qui diffère du droit d'auteur appliqué dans les pays de droit civil (tels que la France ou la Belgique) même si le terme est usité dans le langage courant.
Copyright law of the United KingdomUnder the law of the United Kingdom, a copyright is an intangible property right subsisting in certain qualifying subject matter. Copyright law is governed by the Copyright, Designs and Patents Act 1988 (the 1988 Act), as amended from time to time. As a result of increasing legal integration and harmonisation throughout the European Union a complete picture of the law can only be acquired through recourse to EU jurisprudence, On 12 September 2018, the European Parliament approved new copyright rules to help secure the rights of writers and musicians.
Text-to-image modelA text-to-image model is a machine learning model which takes an input natural language description and produces an image matching that description. Such models began to be developed in the mid-2010s, as a result of advances in deep neural networks. In 2022, the output of state of the art text-to-image models, such as OpenAI's DALL-E 2, Google Brain's , StabilityAI's Stable Diffusion, and Midjourney began to approach the quality of real photographs and human-drawn art.
Diffusion modelIn machine learning, diffusion models, also known as diffusion probabilistic models or score-based generative models, are a class of latent variable models. They are Markov chains trained using variational inference. The goal of diffusion models is to learn the latent structure of a dataset by modeling the way in which data points diffuse through the latent space. In computer vision, this means that a neural network is trained to denoise images blurred with Gaussian noise by learning to reverse the diffusion process.
Criticism of copyrightCriticism of copyright, or anti-copyright sentiment, is a dissenting view of the current state of copyright law or copyright as a concept. Critics often discuss philosophical, economical, or social rationales of such laws and the laws' implementations, the benefits of which they claim do not justify the policy's costs to society. They advocate for changing the current system, though different groups have different ideas of what that change should be.
Contributory copyright infringementContributory copyright infringement is a way of imposing secondary liability for infringement of a copyright. It is a means by which a person may be held liable for copyright infringement even though he or she did not directly engage in the infringing activity. In the United States, the Copyright Act does not itself impose liability for contributory infringement expressly. It is one of the two forms of secondary liability apart from vicarious liability.
Copyright noticeIn United States copyright law, a copyright notice is a notice of statutorily prescribed form that informs users of the underlying claim to copyright ownership in a published work. Copyright is a form of protection provided by US law to authors of "original works of authorship". When a work is published under the authority of the copyright owner, a notice of copyright may be placed on all publicly distributed copies or phonorecords. The use of the notice is the responsibility of the copyright owner and does not require permission from, or registration with, the Copyright Office.
Droit d'auteur au CanadaAu Canada, le droit d'auteur est le monopole d'exploitation temporaire accordé sur les œuvres de l’esprit originales. Plus précisément, en vertu de la Loi sur le droit d’auteur, il s'agit notamment du droit exclusif de produire ou reproduire la totalité ou une partie importante d'une œuvre, sous une forme matérielle quelconque, d’en exécuter ou d’en représenter la totalité ou une partie importante en public et, si l’œuvre n’est pas publiée, d’en publier la totalité ou une partie importante.
Copyright (typographie)thumb|upright|Symbole de copyright. Dans les pays de common law, le symbole de copyright (©) indique qu'une œuvre est soumise à copyright. Dans les pays de droit civil (tels que la France ou la Belgique), il n'a aucune valeur légale mais est tout de même couramment employé pour indiquer qu'une œuvre est soumise au droit d'auteur. Le symbole de copyright (©) peut être écrit sur ordinateur de type PC Windows en tapant la séquence Alt + 0169 ou Alt + 184, sur un PC Linux en tapant AltGr + c ou AltGr + Maj + c, et sur un Mac en tapant alt + c.
Régularisation (mathématiques)vignette|Les courbes bleues et vertes correspondent à deux modèles differents, tous les deux étant des solutions possibles du problème consistant à décrire les coordonnées de tous les points rouges. L'application d'une régularisation favorise le modèle moins complexe correspondant à la courbe verte. Dans le domaine des mathématiques et des statistiques, et plus particulièrement dans le domaine de l'apprentissage automatique, la régularisation fait référence à un processus consistant à ajouter de l'information à un problème, s'il est mal posé ou pour éviter le surapprentissage.
Intelligence artificiellevignette|redresse=0.8|Les assistants personnels intelligents sont l'une des applications concrètes de l'intelligence artificielle dans les années 2010. L'intelligence artificielle (IA) est un ensemble de théories et de techniques visant à réaliser des machines capables de simuler l'intelligence humaine. Souvent classée dans le groupe des mathématiques et des sciences cognitives, elle fait appel à la neurobiologie computationnelle (particulièrement aux réseaux neuronaux) et à la logique mathématique (partie des mathématiques et de la philosophie).
Méthode itérativeEn analyse numérique, une méthode itérative est un procédé algorithmique utilisé pour résoudre un problème, par exemple la recherche d’une solution d’un système d'équations ou d’un problème d’optimisation. En débutant par le choix d’un point initial considéré comme une première ébauche de solution, la méthode procède par itérations au cours desquelles elle détermine une succession de solutions approximatives raffinées qui se rapprochent graduellement de la solution cherchée. Les points générés sont appelés des itérés.
Auto-encodeurUn auto-encodeur (autoencodeur), ou auto-associateur est un réseau de neurones artificiels utilisé pour l'apprentissage non supervisé de caractéristiques discriminantes. L'objectif d'un auto-encodeur est d'apprendre une représentation (encodage) d'un ensemble de données, généralement dans le but de réduire la dimension de cet ensemble. Récemment, le concept d'auto-encodeur est devenu plus largement utilisé pour l'apprentissage de modèles génératifs.
Méthode d'EulerEn mathématiques, la méthode d'Euler, nommée ainsi en l'honneur du mathématicien Leonhard Euler (1707 — 1783), est une procédure numérique pour résoudre par approximation des équations différentielles du premier ordre avec une condition initiale. C'est la plus simple des méthodes de résolution numérique des équations différentielles. thumb|Illustration de la méthode d'Euler explicite : l'avancée se fait par approximation sur la tangente au point initial.
Classe de complexitéEn informatique théorique, et plus précisément en théorie de la complexité, une classe de complexité est un ensemble de problèmes algorithmiques dont la résolution nécessite la même quantité d'une certaine ressource. Une classe est souvent définie comme l'ensemble de tous les problèmes qui peuvent être résolus sur un modèle de calcul M, utilisant une quantité de ressources du type R, où n, est la taille de l'entrée. Les classes les plus usuelles sont celles définies sur des machines de Turing, avec des contraintes de temps de calcul ou d'espace.
Modèle génératifvignette|Schéma représentant la différence entre un modèle discriminatif et un modèle génératif. En classement automatique un modèle génératif est un modèle statistique défini par opposition à un modèle discriminatif. Étant donné une variable X à laquelle il doit associer une autre variable Y, le modèle génératif cherchera à décrire la probabilité conditionnelle ainsi que la probabilité puis d'utiliser la formule de Bayes pour calculer la probabilité .
Adversarial machine learningAdversarial machine learning is the study of the attacks on machine learning algorithms, and of the defenses against such attacks. A survey from May 2020 exposes the fact that practitioners report a dire need for better protecting machine learning systems in industrial applications. To understand, note that most machine learning techniques are mostly designed to work on specific problem sets, under the assumption that the training and test data are generated from the same statistical distribution (IID).
Utilisation équitableL'utilisation équitable (qui regroupe le fair dealing et le fair use) est une notion présente dans la législation et la jurisprudence de nombreux pays de droit anglo-saxon. En dehors de ces pays, des dispositions éventuellement proches peuvent exister, comme le droit de courte citation. Le fair dealing est une notion limitant le champ d'application du droit d'auteur en balisant certaines exceptions à celui-ci, afin de maintenir un juste équilibre entre les droits des titulaires du droit d’auteur et les intérêts des utilisateurs.
Complexité paramétréeEn algorithmique, la complexité paramétrée (ou complexité paramétrique) est une branche de la théorie de la complexité qui classifie les problèmes algorithmiques selon leur difficulté intrinsèque en fonction de plusieurs paramètres sur les données en entrée ou sur la sortie. Ce domaine est étudié depuis les années 90 comme approche pour la résolution exacte de problèmes NP-complets. Cette approche est utilisée en optimisation combinatoire, notamment en algorithmique des graphes, en intelligence artificielle, en théorie des bases de données et en bio-informatique.
