Buchumschlag

What happens when generative AI models train recursively on each others' outputs?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vu, Hung Anh, Reeves, Galen, Wenger, Emily
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Computers and Society
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

We're Different, We're the Same: Creative Homogeneity Across LLMs
von: Wenger, Emily, et al.
Veröffentlicht: (2025)

What happens when nanochat meets DiLoCo?
von: Acker, Alexander, et al.
Veröffentlicht: (2025)

AI-AI Bias: large language models favor communications generated by large language models
von: Laurito, Walter, et al.
Veröffentlicht: (2024)

Measuring What AI Systems Might Do: Towards A Measurement Science in AI
von: Voudouris, Konstantinos, et al.
Veröffentlicht: (2026)

SecGenAI: Enhancing Security of Cloud-based Generative AI Applications within Australian Critical Technologies of National Interest
von: Haryanto, Christoforus Yoga, et al.
Veröffentlicht: (2024)

Towards Effective Discrimination Testing for Generative AI
von: Zollo, Thomas P., et al.
Veröffentlicht: (2024)

Machine Unlearning Doesn't Do What You Think: Lessons for Generative AI Policy and Research
von: Cooper, A. Feder, et al.
Veröffentlicht: (2024)

What constitutes a Deep Fake? The blurry line between legitimate processing and manipulation under the EU AI Act
von: Meding, Kristof, et al.
Veröffentlicht: (2024)

Safety challenges of AI in medicine in the era of large language models
von: Wang, Xiaoye, et al.
Veröffentlicht: (2024)

Impacts of Racial Bias in Historical Training Data for News AI
von: Bhargava, Rahul, et al.
Veröffentlicht: (2025)

Pre-trained Transformer Uncovers Meaningful Patterns in Human Mobility Data
von: Najjar, Alameen
Veröffentlicht: (2024)

Language model developers should report train-test overlap
von: Zhang, Andy K, et al.
Veröffentlicht: (2024)

What Radio Waves Tell Us about Sleep
von: He, Hao, et al.
Veröffentlicht: (2024)

What Is Fairness? On the Role of Protected Attributes and Fictitious Worlds
von: Bothmann, Ludwig, et al.
Veröffentlicht: (2022)

Thousands of AI Authors on the Future of AI
von: Grace, Katja, et al.
Veröffentlicht: (2024)

Position: Model Collapse Does Not Mean What You Think
von: Schaeffer, Rylan, et al.
Veröffentlicht: (2025)

Exploring utilization of generative AI for research and education in data-driven materials science
von: Misawa, Takahiro, et al.
Veröffentlicht: (2025)

What Is the Point of Equality in Machine Learning Fairness? Beyond Equality of Opportunity
von: Kong, Youjin
Veröffentlicht: (2025)

AI Toolkit: Libraries and Essays for Exploring the Technology and Ethics of AI
von: Ho, Levin, et al.
Veröffentlicht: (2025)

Lessons for Editors of AI Incidents from the AI Incident Database
von: Paeth, Kevin, et al.
Veröffentlicht: (2024)

Regulating AI Adaptation: An Analysis of AI Medical Device Updates
von: Wu, Kevin, et al.
Veröffentlicht: (2024)

Mapping the Potential of Explainable AI for Fairness Along the AI Lifecycle
von: Deck, Luca, et al.
Veröffentlicht: (2024)

Rigor in AI: Doing Rigorous AI Work Requires a Broader, Responsible AI-Informed Conception of Rigor
von: Olteanu, Alexandra, et al.
Veröffentlicht: (2025)

RAISE: A Unified Framework for Responsible AI Scoring and Evaluation
von: Nguyen, Loc Phuc Truong, et al.
Veröffentlicht: (2025)

Practical Application and Limitations of AI Certification Catalogues in the Light of the AI Act
von: Autischer, Gregor, et al.
Veröffentlicht: (2025)

Beware! The AI Act Can Also Apply to Your AI Research Practices
von: Wernick, Alina, et al.
Veröffentlicht: (2025)

AI-Cybersecurity Education Through Designing AI-based Cyberharassment Detection Lab
von: Okpala, Ebuka, et al.
Veröffentlicht: (2024)

Defining AI Models and AI Systems: A Framework to Resolve the Boundary Problem
von: Sun, Yuanyuan, et al.
Veröffentlicht: (2026)

Towards AI Transparency and Accountability: A Global Framework for Exchanging Information on AI Systems
von: Buckley, Warren, et al.
Veröffentlicht: (2023)

Limits of trust in medical AI
von: Hatherley, Joshua
Veröffentlicht: (2025)

International AI Safety Report
von: Bengio, Yoshua, et al.
Veröffentlicht: (2025)

AI Alignment at Your Discretion
von: Buyl, Maarten, et al.
Veröffentlicht: (2025)

Towards Environmentally Equitable AI
von: Hajiesmaili, Mohammad, et al.
Veröffentlicht: (2024)

Automating psychological hypothesis generation with AI: when large language models meet causal graph
von: Tong, Song, et al.
Veröffentlicht: (2024)

Exploring the sustainable scaling of AI dilemma: A projective study of corporations' AI environmental impacts
von: Desroches, Clément, et al.
Veröffentlicht: (2025)

AI and Generative AI Transforming Disaster Management: A Survey of Damage Assessment and Response Techniques
von: Raj, Aman, et al.
Veröffentlicht: (2025)

The US Algorithmic Accountability Act of 2022 vs. The EU Artificial Intelligence Act: What can they learn from each other?
von: Mokander, Jakob, et al.
Veröffentlicht: (2024)

AssurAI: Experience with Constructing Korean Socio-cultural Datasets to Discover Potential Risks of Generative AI
von: Lim, Chae-Gyun, et al.
Veröffentlicht: (2025)

Transparent AI: The Case for Interpretability and Explainability
von: Ramachandram, Dhanesh, et al.
Veröffentlicht: (2025)

Generative AI Training and Copyright Law
von: Stober, Sebastian, et al.
Veröffentlicht: (2025)