论对深度伪造侵犯自然人声音利益的规制

深度伪造声音与传统的纯粹模仿他人声音或模仿秀不同,其是利用信息技术手段深度伪造他人声音而使声音信息难以辨别真伪或辨别困难。目前,我国在规制深度伪造侵犯自然人声音利益方面仍存在一定的困境,建议可以参考美国《深度伪造责任法案》中有关深度伪造虚假音频侵权的责任构成要件、行为人对深度伪造虚假音频的嵌入水印与披露义务、深度伪造虚假音频侵权的民事救济的规定,以保护我国自然人声音利益,实现新兴技术发展和个人权益保护之间的平衡。     

“深度伪造”法律规制的新范式与新体系

“深度伪造”是一种基于深度学习的内容合成技术,具有高度真实和简易操作的技术特征。“深度伪造”虽然在教育、医疗、文创和娱乐等领域具有极大的应用价值,但其潜在风险也给公民隐私、社会秩序和国家安全带来巨大隐患和威胁。当前“深度伪造”的法律规制主要秉持“技术—经济”范式,而相对忽视了技术和资本对社会及公民的负面影响,导致现有规制体系存在监管缺位、责任不明、技术异化等问题。“深度伪造”技术的协同规制要跨入“技术—经济—社会”新范式,需要构建和完善“深度伪造”技术的新规制体系,即底层个人生物识别信息要合法使用,中层“深度伪造”算法须合规审查,上层“深度伪造”应用场景应具有合理限度。     

深度伪造技术新型犯罪的探析与治理

近年来,深度伪造（Deepfake）技术迅速兴起,在给社会各领域发展带来巨大机遇的同时,利用深度伪造如AI换脸、视频伪造、音频伪造和指纹伪造等多模态技术的新型犯罪也逐渐涌现,其引发的诸多犯罪风险不容小觑。针对当前面向深度伪造技术风险定量评估技术缺乏、侦查取证难度大、反制监管技术单薄及规制体系不完善等问题,亟需强化源头综合治理,健全法律法规和技术标准,赋能智慧新警务,深化宣传阵地,为构建新型犯罪治理新体系,筑建网络安全新生态提供理论基础。     

基于帧间量化参数强度值检测深度伪造人像视频

深度学习算法的发展为伪造人像视频的创作增添了“助力”,应运而生的深度伪造检测成为学界和业界关注的焦点。基于深度学习的伪造视频检测技术需要耗费大量时间与算力训练分类器,深度学习网络的黑盒性和不可解释性也困扰着深度伪造人像视频取证研究。围绕深度伪造人像视频的真实性取证问题,本文提出一种基于视频帧间量化参数强度值的检测方法,并通过二元Logistic回归方程给出参考阈值。实验结果表明：本文的方法在检测利用DeepFaceLab换脸平台合成的深度伪造人像视频中表现出良好的准确率和鲁棒性。所提方法有助于对可疑人像视频真实性进行判断,为涉案人像视频提供取证依据。     

“深度伪造”的技术逻辑与法律变革

"深度伪造"(Deepfake)是指对图像、视频和音频进行超现实的数字伪造。尽管该技术在艺术、医疗、教育等领域显现出独特的魅力,但其对既存法律制度也产生了深度冲击。"深度伪造"呈现出大众数据被深度裹挟、合成作品真伪莫辨、既存秩序规则备受冲击等技术风险。与之关联的法律风险也如影随形,具体表现为:版权规则的重构、侵害法益路径的翻新以及言论自由含义的重申。为了回应上述风险,需要根植"柔性"治理的思维,明确"深伪"的管理主体,类比"演绎作品"处置,构建层次分明的责任体系,勘定"不得诽谤"的自由界限,力图实现法律与技术共存共融之愿景。     

一种AI换脸方法生成的伪造视频分析

深度伪造(Deepfake)是一种将图像篡改与AI相结合的面部替换方法。本文首先介绍了Deepfake的产生背景和发展状况,介绍了相应检测技术的研究状况,并对相关文献进行归纳;然后探究了Deepfake运行的基本构架和核心部件,给出了视频面部替换的基本流程和步骤,并阐释了利用自编码网络进行脸部图像训练和转换的原理;最后,从视频的基本信息、编辑痕迹、违背摄影规律、视频整体和案情五个方面与原始视频作对比,分析这类伪造视频存在的问题。深度伪造技术在推动娱乐和文化发展的同时也产生了大量恶意的换脸视频,对国家安全、社会稳定和个人隐私造成潜在的威胁,本文通过对Deepfake实现原理的研究和伪造视频特征的分析,希望能够为该类视频的真伪检验提供一定的理论支持。     

互联网平台的责任结构与规制路径——以审查义务和经营者责任为基础

互联网平台角色的模糊性与多样性导致了对其行为责任认定的困难。网络服务提供者的身份使得作为信息中介的平台获得了避风港原则的保护,降低了平台的审查和注意义务标准。同时,部分平台业务突破信息中介身份而介入了实质交易,却仍然逃避作为经营者的主体责任。互联网平台交易模式的创新性不能排斥规制路径的延伸,以《侵权责任法》第36条为核心的网络主体责任存在双层结构,应以"禁止任意招揽与信息公开"规则为基础,明确信息中介平台的审查义务和信息发布者责任;同时,应通过分析组织结构、风险与利润分配等经济实质,认定平台具有垂直性组织体的经营者身份并追究其相应主体责任。     

论保险人的订约说明义务

与投保人告知义务相比无论是在学术研究领域还是在保险业务实践中,保险人的订约说明义务一直未被予以应有的重视。强调保险人订约说明义务,对维护处于缔约弱势的投保人的合法权益,实现公平正义,有着重要作用。本文拟从保险人说明义务的理论基础入手深入分析保险人订约说明义务存在的合理性和正当性,在肯定我国现行保险法第17、18条关于保险人订约说明义务的立法理念的同时,探讨和分析了其所存在的不足和问题,并提出了自己的一些建议。     

先合同说明义务违反视角下的缔约过失与瑕疵担保关系论——德国法的启示与中国法的构造

在缔约过程中,一方当事人违反先合同说明义务时,往往存在缔约过失责任与瑕疵担保责任两种救济路径,二者关系的厘清成为归责的前提.在德国旧债法中,对瑕疵的界定相对较窄.当故意违反说明义务时,缔约过失责任与瑕疵担保责任之间存在请求权竞合抑或选择竞合,而在过失的情形,瑕疵担保责任应优先适用.在权利瑕疵和瑕疵结果损害的情况下,并不存在瑕疵担保责任的优先.在德国新债法中,瑕疵的含义更为广泛.当故意违反说明义务时,理论上存在两种对立的处理方案,未有定论.瑕疵担保责任的优势蔓延到权利瑕疵与瑕疵结果损害的情形.就我国法而言,在解释论的背景下,当说明义务人为故意时,应确定两种责任存在请求权竞合或者选择竞合的可能性.对瑕疵应作广义理解,以弥补缔约过失责任在规制过失违反说明义务上的先天不足.对于权利瑕疵与瑕疵结果损害,除了故意情形之外,应坚持瑕疵担保责任的优先适用.     

论搜索引擎竞价排名的侵权责任认定——以竞价排名性质为出发点

关于搜索引擎能否定性为广告的问题,学术界未能形成一个统一的观点。竞价排名侵权责任适用于《广告法》和适用其他现有理论的重要区别,即为提供竞价排名服务的搜索引擎服务商所承担的注意义务及其严格程度的不同。由此,应从竞价排名的性质和广告的基本定义出发,结合学术界关于竞价排名服务的相关理论,对搜索引擎竞价排名侵权责任的认定和其法理基础进行探讨。     

论金融中介机构的社会责任——从应对和防范危机的长效机制出发

随着2009年全球致力于救助金融市场和金融机构的逝去,这场发端于美国的并对世界大多数国家和地区经济造成严重影响的金融海啸,已渐渐偃旗息鼓,但却给我们留下诸多思考.金融中介机构在这场金融海啸中扮演的角色,不仅是始作俑者,也是重灾户.据报道,在2008年末,全球股票市值几乎较高峰时下跌了一半,金融衍生产品名义价值较之前下跌了24.6万亿美元.[1]而今,包括美国在内的许多国家和地区的政府,为了应对危机、恢复经济,特别是不得不救助那些"大而不能倒"的金融中介机构的同时,亦痛定思痛地反思过往的监管不力、放任过度的金融政策,而且纷纷出重拳、祭重典,提出若干力度非凡的监管举措.[2]本文不打算对这些具体举措进行评判,而试图从金融中介机构的社会责任角度来探讨应对和防范危机的长效机制,即金融中介机构应当如何承担社会责任,使自己成为一个负责任的、良好的经济核心和引擎.     

也论不动产登记错误的法律救济

在我国不动产登记之行政属性的现实基础上,要处理登记错误,不能仅依靠诉讼途径,更要注重更正登记制度的建设。在登记机关违背实质审查义务而导致登记错误,并致人受到财产损害的,要根据具体情形,来确立登记机关、申请人以及其他相关人员的赔偿责任。     

论不动产登记机构的设定、职责及赔偿责任

新《物权法》明确规定我国对不动产实行统一登记制度,但未明确规定统一登记的范围、登记机构和登记办法。不动产登记本质上是一种私法上的行为,产生私法上的效力。登记机构在履行登记职责时承担形式审查义务,登记错误时,登记机构有过错的,应当承担民事赔偿责任,具体情形分为三种:独立承担全部赔偿责任;与登记申请人承担连带责任;根据其过错程度与原因力大小承担相应的赔偿责任。     

深度合成技术应用的法律风险与协同规制

深度合成技术是人工智能领域里一项颠覆性技术突破,该技术在满足人们多元化需求的同时也产生了技术异化、信息失真、信息泄露等风险.应从多个维度协同治理深度合成技术所生风险:在技术层面,以技术规制技术,提高溯源防伪和反向破解技术的能力水平,发挥技术的规范功能;在行业层面,以商业伦理治理技术,强化伦理的引导作用和业内组织的协调能力;在法律层面,以法律规范技术,结合中国实际和借鉴外国立法经验,以《民法典》的相关条款为基础,明确技术的使用边界、使用程序及滥用技术的法律后果等.     

基于深度学习的人体肋骨骨折智能检测技术

目的将人工智能中的深度学习技术应用到人体肋骨骨折识别,实现人体肋骨骨折智能检测,提高法医肋骨骨折诊断效率。方法采集3143例人体胸部X线数字影像(2602例用于训练,541例用于测试),标注肋骨骨折特征点,通过多层网络堆叠,分层、分级主动学习原始数据高度抽象的特征表述,并将此特征反馈至检测器进行骨折检测,输出骨折位置及相应置信度。结果基于深度学习的人体肋骨骨折检测准确率在90%以上。结论基于深度学习的人体肋骨骨折检测准确率较高,可用于辅助法医进行肋骨骨折识别诊断、检验鉴定等,本研究可为人体其他部位骨骼损伤智能检测提供参考。