OmniPrism: Learning Disentangled Visual Concept for Image Generation
OmniPrism通过自然语言引导学习解耦的视觉概念表示,结合扩散模型生成高质量图像,解决多方面概念混淆问题。
2026-04-10 cs.AI cs.CV cs.LG
CoLLEGe: Concept Embedding Generation for Large Language Models
New York University(纽约大学)
本文提出元学习框架CoLLEGe,利用少量示例为新概念生成灵活嵌入,使大语言模型无需任务特定训练即可完成新词习得、定义推理和言语推理。
2024-10-16 cs.AI cs.CL
ConQuer: A Framework for Concept-Based Quiz Generation
Stanford University(斯坦福大学);University of California San Diego(加利福尼亚大学圣迭戈分校)
针对AI生成测验质量存疑的问题,提出基于概念、融合外部知识的测验生成框架ConQuer,经LLM评判验证其效果优于基线,各组件均有效。
2025-03-18 cs.AI cs.CL
Teaching Through Analogies: A Modular Pipeline for Educational Analogy Generation
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
提出一个模块化流水线,将教育类比生成分解为四个阶段,基于结构映射理论,评估12个LLM在两个数据集上的表现,发现子概念显著提升解释质量和封闭检索精度,并引入LLM作为评判的评估方法。
2026-05-22 cs.AI cs.CL
Analogy Generation by Prompting Large Language Models: A Case Study of InstructGPT
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University at Buffalo(布法罗大学)
我们提出了一种新的应用程序,提示预训练的语言模型(PLM)生成类比,并研究如何设计有效的提示两个任务设置:生成一个源概念类似于一个给定的目标概念(又名类比概念生成或ACG),并生成一个解释之间的相似性一对给定的目标概念和源概念(又名类比解释生成或AEG)。我们发现,提示InstructGPT生成有意义的类比是可行的,最好的提示往往是精确的命令式语句,特别是在低温设置下。我们还系统地分析了InstructGPT模型对提示设计、温度和注入拼写错误的敏感性,发现该模型对某些变化特别敏感(例如,问题vs.命令式陈述)。此外,我们对生成的1.4k个类比进行了人工评估,发现生成的质量因模型大小而异。最大的InstructGPT模型可以在为给定目标生成有意义的类比方面实现人类水平的性能,而AEG任务仍有改进的空间。
2022-10-11 cs.AI cs.CL
Visual Conceptual Blending with Large-scale Language and Vision Models
University of Maryland(马里兰大学);Facebook AI Research(脸书人工智能研究院);Georgia Tech(佐治亚理工学院)
我们提出这样一个问题:最近的大规模语言和图像生成模型能在多大程度上融合视觉概念?给定一个任意的对象,我们确定一个相关的对象,并生成一个单一的句子描述的混合使用语言模型的两个。然后,我们使用基于文本的图像生成模型生成混合的视觉描述。定量和定性的评价表明,语言模型的优越性,在经典的概念融合的方法,最近的大规模图像生成模型比以前的模型的视觉描绘。
2021-06-27 cs.AI cs.CL cs.CV
CARE: Commonsense-Aware Emotional Response Generation with Latent Concepts
Alibaba-NTU Singapore Joint Research Institute, Nanyang Technological University (NTU)(阿里巴巴-南洋理工大学新加坡联合研究院,南洋理工大学);Joint NTU-UBC Research Centre of Excellence in Active Living for the Elderly, NTU(南洋理工大学-不列颠哥伦比亚大学老年人积极生活联合卓越研究中心,南洋理工大学);School of Electrical and Electronic Engineering, NTU(南洋理工大学电气与电子工程学院);Alibaba Group(阿里巴巴集团)
理性和情感是人类的两个基本要素。赋予智能体理性和情感是人工智能的重要里程碑之一。然而,在对话式AI领域,大多数现有模型只专注于一个方面,而忽略了另一个方面,这往往导致反应迟钝或不相关。在本文中,我们假设,结合理性和情感到会话代理可以提高响应质量。为了检验这一假设,我们关注理性的一个基本方面,即,常识,并提出照顾,一种新的模型,常识意识的情绪反应的产生。具体来说,我们首先提出了一个框架,学习和构建常识感知的情感潜在概念的响应给定的输入信息和所需的情绪。然后,我们提出了三种方法来协同将潜在的概念到响应生成。在两个大规模数据集上的实验结果支持了我们的假设,并表明我们的模型可以产生更准确和常识感知的情感反应,并比只专注于一个方面的最先进模型获得更好的人类评级。
2021-02-28 cs.AI cs.CL
CoBELa: Steering Transparent Generation via Concept Bottlenecks on Energy Landscapes
Electronics and Telecommunications Research Institute(电子电信研究院)
CoBELa通过能量景观上的概念瓶颈实现透明生成,无需解码器和生成器再训练,支持高效的多概念干预和稳定采样。
2026-03-03 cs.AI cs.CV
MCA-RG: Enhancing LLMs with Medical Concept Alignment for Radiology Report Generation
Huazhong University of Science and Technology(华中科技大学)
本文提出MCA-RG框架,通过病理与解剖双概念库对齐视觉特征,结合对比学习、匹配损失和特征门控,提升大语言模型在放射学报告生成中的准确性与临床可用性。
2025-08-21 cs.AI cs.CV
Conceptrol: Concept Control of Zero-shot Personalized Image Generation
National University of Singapore(新加坡国立大学)
Conceptrol 提出通过文本概念掩码约束视觉注意力,在不增加计算开销的情况下增强零样本适配器,显著提升个性化图像生成性能并超越部分微调方法。
2025-03-09 cs.AI cs.CV
Collect and Connect Data Leaves to Feature Concepts: Interactive Graph Generation Toward Well-being
The University of Tokyo(东京大学);Trust Architecture, Inc.(Trust Architecture公司)
本研究提出将数据叶(数据集事件流摘要)连接到特征概念的思路,半自动生成数据集关系图,结合人工与自然智能支撑数据复用,服务于日常幸福感创造。
2023-12-16 cs.AI cs.CL cs.DB
Correlation-Weighted Multi-Reward Optimization for Compositional Generation
Korea University(韩国大学);Korea Institute of Science and Technology(韩国科学技术院)
本文提出相关性加权多奖励优化方法,通过调整概念奖励权重提升多概念生成效果,改进了SD3.5和FLUX.1-dev模型在多概念基准测试中的表现。
2026-07-07 cs.AI
Imbalance in Balance: Online Concept Balancing in Generation Models
Tsinghua University(清华大学);Kling Team, Kuaishou Technology(快手科技 Kling 团队)
针对视觉生成任务中复杂概念响应与组合不稳定易出错的问题,本文通过实验探索其因果因素,提出在线概念级均衡损失函数IMBA损失,无需离线处理且代码改动少,在新基准和公开测试集上显著提升基线模型的概念响应能力。
2025-11-11 cs.AI cs.CV
Improving Scientific Document Retrieval with Concept Coverage-based Query Set Generation
Korea University(高丽大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Pohang University of Science and Technology(浦项科技大学);Texas A&M University(德克萨斯农工大学);Yonsei University(延世大学)
针对科学文献检索中人工标注数据集构建难、现有合成查询概念覆盖不全的问题,提出CCQGen框架,通过自适应调整生成过程以全面覆盖文献概念,实验证明其显著提升了查询质量和检索性能。
2025-02-16 cs.AI cs.IR
FlipConcept: Tuning-Free Multi-Concept Personalization for Text-to-Image Generation
Department of Artificial Intelligence, Korea University(人工智能系,韩国大学)
FlipConcept提出免调优的多概念个性化图像生成方法,通过引导式外观注意力、掩码引导噪声混合和背景稀释,在保护非个性化区域的同时减少概念泄漏,并在单概念与多概念推理中优于现有模型。
2025-07-16 cs.AI cs.CV
Physical Artificial Intelligence: The Concept Expansion of Next-Generation Artificial Intelligence
Hainan University(海南大学);Visionogy;Zeekr Group(极氪集团);Zayed University(扎耶德大学);Alibaba Group(阿里巴巴集团);Ghent University(根特大学);Inner Mongolia University(内蒙古大学)
人工智能已经成为我们社会的增长催化剂,并被所有行业视为基础技术。然而,它的发展一直局限于信号处理领域,依赖于从其他传感器生成和收集的数据。在最近的研究中,数字人工智能和物理智能的概念已经出现,这可以被认为是物理智能理论发展的一大步。本文探讨了物理智能的概念,并提出了两个子领域:集成物理智能和分布式物理智能。本文还将探讨物理智能的趋势和治理。
2021-05-17 cs.AI
Hierarchical Concept-to-Appearance Guidance for Multi-Subject Image Generation
Peking University(北京大学);Hong Kong University of Science and Technology(香港科学与技术大学)
提出层次化概念到外观引导框架(CAG),通过VAE dropout训练和对应感知掩码注意力模块,实现多主体图像生成中身份一致性和精确组合控制。
2026-06-23 cs.AI cs.CV
MIXGAN: Learning Concepts from Different Domains for Mixture Generation
Sun Yat-sen University(中山大学);Guangdong Key Laboratory of Big Data Analysis and Processing(广东省大数据分析与处理重点实验室);Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education(机器智能与先进计算教育部重点实验室);NUDT(国防科技大学)
在这项工作中,我们提出了一个有趣的尝试混合生成:吸收不同的图像概念(例如,内容和风格),从而生成具有学习概念的新领域。特别地,我们提出了一种混合生成对抗网络(MIXGAN)。MIXGAN分别从两个领域学习内容和风格的概念,因此可以将它们加入新领域中的混合生成,即,生成具有来自一个域的内容和来自另一个域的样式的图像。MIXGAN克服了当前基于GAN的模型的局限性,这些模型要么在训练阶段观察到的相同域中生成新图像,要么需要现成的内容模板进行传输或翻译。大量的实验结果证明了MIXGAN与相关的最先进的基于GAN的模型相比的有效性。
2018-07-04 cs.AI cs.LG stat.ML
Concept-Grounded Reasoning with Prompt-Driven Localization for Interpretable Structured Report Generation
The Hong Kong University of Science and Technology(香港科技大学);The Chinese University of Hong Kong(香港中文大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Saarland University(萨尔兰大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);University of Cambridge(剑桥大学)
针对现有医学报告生成缺乏临床概念接地与可解释性的问题,本文提出CORAL框架,结合提示驱动分割定位和概念瓶颈模块,在多模态大语言模型中实现结构化报告生成,并在两个数据集上提升诊断准确性与报告质量。
2026-11-03 cs.AI cs.CV cs.LG
Rare-to-Frequent: Unlocking Compositional Generation Power of Diffusion Models on Rare Concepts with LLM Guidance
KRAFTON;Seoul National University(首尔国立大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对扩散模型难以生成罕见概念组合的问题,本文提出无需训练的 R2F,利用 LLM 在推理中进行罕见到频繁概念引导,并在 RareBench 等数据集上显著提升 T2I 对齐度。
2025-09-29 cs.AI cs.CL cs.CV
TRACE: Temporal Risk Assessment and Concept Editing for Safer Language Generation
University of Calgary(卡尔加里大学);Dalhousie University(达尔豪斯大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
TRACE是一种用于更安全语言生成的框架,通过跟踪生成过程中的有害风险、选择性编辑令牌激活并提供可审计记录,在提升流F1值的同时降低了攻击成功率。
2026-10-14 cs.AI cs.LG
Scalable Formal Concept Analysis algorithm for large datasets using Spark
School of Information Technology & Engineering, Vellore Institute of Technology(韦洛尔理工学院信息技术与工程学院)
在利用形式概念分析进行大数据集的知识发现和表示过程中,复杂性在识别所有形式概念和构造概念格(概念的有向图)方面起着重要作用。为了在非常大的数据集中识别形式概念并从识别的概念构造有向图,文献中有各种分布式算法。然而,现有的分布式算法不太适合概念生成,因为它是一个迭代的过程。现有的算法都是使用MapReduce和Open MP等分布式框架实现的,这些框架不适合迭代应用。因此,在本文中,我们提出了有效的分布式算法,在大型正式上下文中使用Apache Spark的正式概念生成和概念格有向图的建设。对所提出的算法进行了性能评价,结果表明,与现有算法相比,所提出的算法在概念生成和格图构造方面是有效的.
2018-07-06 cs.AI cs.DB
A Recursive Bateson-Inspired Model for the Generation of Semantic Formal Concepts from Spatial Sensory Data
University of Seville(塞维利亚大学)
针对神经符号方法中符号锚定需大量训练标注的问题,提出受贝特森差异理论启发的纯符号递归模型,无需训练即可从空间感官数据生成高可组合、支持推理与泛化的分层形式概念结构,为神经符号研究提供新视角。
2023-07-18 cs.AI
Towards Interpretable Radiology Report Generation via Concept Bottlenecks using a Multi-Agentic RAG
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI));University of Oldenburg(奥尔登堡大学)
本研究提出结合概念瓶颈模型(CBMs)与多智能体 RAG 系统的框架,通过建模视觉特征与临床概念生成可解释的放射报告,在 COVID-QU 数据集上实现 81% 分类准确率及 84%-90% 的报告生成指标,有效提升了临床可解释性。
2025-01-22 cs.AI cs.CL cs.CV
Co-DSL: Human-LLM Co-design of Reusable Spatial Concepts for Layout Generation
Stanford University(斯坦福大学)
Co-DSL是用户与LLM协同设计可复用空间概念的框架,通过两阶段流程实现布局生成,能捕捉现有系统难以实现的布局模式,支持用户探索相关布局分布。
2026-10-14 cs.AI cs.CV cs.GR
Plug-and-Play Interpretable Responsible Text-to-Image Generation via Dual-Space Multi-facet Concept Control
School of Computing and Information Systems, The University of Melbourne(墨尔本大学计算机与信息系统学院)
针对现有负责任文本到图像生成方法维度单一、缺乏可解释性且需修改原模型的问题,提出基于即插即用机制的双空间多维度概念控制方法,通过知识蒸馏和概念白化学习可解释复合空间,在文本嵌入与扩散潜空间接入模块,实现可扩展的公平安全内容生成。
2025-03-24 cs.AI cs.CV
Concept Guidance: Precise, Training-Free Latent Control for Text-to-Image Generation
LMU Munich(慕尼黑大学);Konrad Zuse School of Excellence in Reliable AI (relAI)(康拉德·祖斯可靠人工智能卓越学院);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
针对文本到图像扩散模型缺乏特定概念引导和局部一致性可靠性不足的问题,提出无训练的CoG方法,利用概念互信息强化相关层影响,在PixArt-alpha等模型上实现性能提升。
2026-08-17 cs.AI cs.CV cs.LG
A Framework for Evaluating Zero-Shot Image Generation in Concept-based Explainability
Politecnico di Milano, DEIB(米兰理工大学,DEIB)
本文提出了一种基于概念的可解释性人工智能的零样本图像生成评估框架,通过生成合成概念数据集来评估概念基于的XAI方法,探讨了零样本文本到图像生成模型在模型分析中的挑战和开放性问题。
2026-05-19 cs.AI cs.CV
Automated Molecular Concept Generation and Labeling with Large Language Models
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California Los Angeles(加利福尼亚大学洛杉矶分校);California Institute of Technology(加州理工学院);Harvard University(哈佛大学)
本文提出AutoMolCo框架,利用大语言模型自动生成和标注分子概念,通过迭代精炼使线性模型超越GNN和LLM,无需人工知识,保持可解释性,并在MoleculeNet和HTE数据集上验证其有效性。
2024-12-14 cs.AI cs.LG physics.chem-ph
The Evolution of Concept-Acquisition based on Developmental Psychology
Fudan University(复旦大学)
具有丰富内涵的概念体系是提高基于知识的人工智能系统性能的关键。概念系统具有丰富的概念和语义关系,具有可发展性、可演化性和多任务适应性,其实际构建是知识工程的主要挑战之一,也是知识和概念化研究的基本目标。因此,找到一种新的方法来表示概念和构造概念系统将大大提高许多智能系统的性能。所幸的是,人类认识的核心是一个具有相对完整概念的系统,以及一个保证系统建立和发展的机制。人类的概念体系不可能立即实现,而必须逐步发展。发展心理学在行为层面上仔细观察了人类概念获得的过程,并与认知心理学一起对这些观察提出了一些粗略的解释。然而,由于在表征、系统模型、算法细节和实现等方面的研究不足,发展心理学的许多成果还没有直接应用于人工概念系统的构建。例如,Karmiloff-Smith的表征再描述(RR)假设反映了一个概念获得的过程,重新描述一个概念的较低级别的表示到一个更高的。本文正是受这一发展心理学观点的启发。由于OO范式是描述外部世界的自然方式,并且具有严格的语法规则,我们采用面向对象的方法从形式语义的角度对RR假设进行了重新解释和具体化。
2020-11-26 cs.AI
Mass Concept Erasure in Diffusion Models with Concept Hierarchy
本文提出了一种基于概念层次的扩散模型擦除方法,通过群体擦除和超类型保留低秩适应技术,提高擦除效率并减少生成质量退化。
2026-01-06 cs.AI cs.CV cs.CY
CBM-RAG: Demonstrating Enhanced Interpretability in Radiology Report Generation with Multi-Agent RAG and Concept Bottleneck Models
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);Saarland University(萨尔兰大学);University of Oldenburg(奥尔登堡大学);Dhaka Medical College Hospital(达卡医学院医院)
本文提出CBM-RAG框架,将概念瓶颈模型与多智能体检索增强生成相结合,用于放射学报告生成,以提升可解释性、减少幻觉并增强临床可用性。
2025-05-04 cs.AI cs.CV cs.IR
Localized Concept Erasure for Text-to-Image Diffusion Models Using Training-Free Gated Low-Rank Adaptation
Department of ECE(电子工程系);IPAI;INMC;Seoul National University(首尔国立大学)
提出局部概念擦除框架及免训练门控低秩适配方法GLoCE,通过轻量模块选择性移除图像中目标概念区域,在保持其余区域保真度的同时提升擦除有效性、特异性和鲁棒性。
2025-07-10 cs.AI cs.CV
Do Music Generation Models Encode Music Theory?
Brown University(布朗大学);Carnegie Mellon University(卡内基梅隆大学)
本文通过构建合成音乐理论数据集SynTheory并提出探测框架,系统评估了Jukebox和MusicGen等音乐基础模型对速度、音高、和弦等音乐理论概念的内部编码程度,发现这些概念可被辨识且可检测性随模型规模和层级变化。
2024-10-01 cs.AI cs.CL cs.LG
REFORGE: Multi-modal Attacks Reveal Vulnerable Concept Unlearning in Image Generation Models
Yunnan University(云南大学);Northeastern University(东北大学);National University of Singapore(新加坡国立大学)
REFORGE通过对抗性图像提示评估图像生成模型反向学习的鲁棒性,揭示现有方法的持续漏洞,提出更高效的多模态对抗攻击策略。
2026-03-17 cs.AI cs.CR cs.CV
Automatic Generation of Product Concepts from Positive Examples, with an Application to Music Streaming
KU Leuven(鲁汶大学);Tunify
基于互联网的业务和产品(例如电子商务,音乐流媒体)每天都变得越来越复杂,越来越注重提高客户满意度。他们实现这一目标的一个核心方法是通过使用导航栏将产品结构化并提供推荐,从而为客户提供轻松访问产品的机会。我们将这些目录称为产品概念,例如电子商务网站上的产品类别,音乐流媒体平台上的公共播放列表。这些产品概念通常包含通过一些共同特征(例如同一艺术家的歌曲播放列表)相互链接的产品。对于不同的产品,它们在系统后端的定义方式可能不同。在这项工作中,我们表示使用数据库查询的产品概念,并解决两个学习问题。首先,给定所有属于同一未知产品概念的产品集合,我们学习表示该产品概念的数据库查询。第二,当给定的产品集与多个产品概念相关联时,我们学习产品概念及其相应的查询。为了实现这些目标,我们提出了两种方法,结合PU学习的概念与决策树和聚类。我们的实验表明,通过一个音乐流媒体服务的模拟设置,我们的方法是有效的,在解决这些问题。
2023-01-15 cs.AI cs.IR cs.LG
DDG-DA: Data Distribution Generation for Predictable Concept Drift Adaptation
University of Wisconsin–Madison(威斯康星大学麦迪逊分校);Microsoft Research(微软研究院)
在许多现实场景中,我们经常处理随着时间的推移顺序收集的流数据。由于环境的非平稳性质,流数据分布可能以不可预测的方式改变,这被称为概念漂移。为了处理概念漂移,以前的方法首先检测概念漂移发生的时间/地点,然后调整模型以适应最新数据的分布。然而,仍然有许多情况下,一些潜在的环境演变的因素是可预测的,使得有可能模拟未来的概念漂移趋势的流数据,而这样的情况下,没有充分探讨在以前的工作。本文提出了一种新的方法DDG-DA,它可以有效地预测数据分布的演变,提高模型的性能。具体来说,我们首先训练一个预测器来估计未来的数据分布,然后利用它来生成训练样本,最后在生成的数据上训练模型。我们在三个真实世界的任务(股票价格趋势预测,电力负荷和太阳辐照度)进行了实验,并在多个广泛使用的模型上获得了显着的改进。
2022-06-05 cs.AI cs.LG q-fin.GN
Leveraging Graph Retrieval-Augmented Generation to Support Learners' Understanding of Knowledge Concepts in MOOCs
Social Computing Group, Faculty of Computer Science, University of Duisburg-Essen(社会计算组、计算机科学学院、杜伊斯堡- Essen大学)
针对慕课互动不足、现有RAG应用受限且无法主动引导学习的问题,提出结合教育与个人知识图谱的图RAG流水线,经专家评估可支持慕课学习者个性化理解知识概念。
2025-05-16 cs.AI cs.CY
RadAlign: Advancing Radiology Report Generation with Vision-Language Concept Alignment
Rutgers University(罗格斯大学);Stanford University(斯坦福大学)
本文提出RadAlign框架,利用VLM进行视觉-医学概念对齐并结合检索增强的LLM生成报告,在疾病分类和报告质量上均优于现有方法。
2025-07-22 cs.AI cs.CV cs.LG
Explaining Concept Drift through the Evolution of Group Counterfactuals
Poznan University of Technology(波兹南技术大学)
本文提出通过分析群体反事实解释的时间演化来揭示概念漂移的成因,构建三层框架以区分数据偏移与概念重标注,实现更全面的漂移诊断。
2025-09-11 cs.AI cs.LG
Multi-Concept T2I-Zero: Tweaking Only The Text Embeddings and Nothing Else
Picsart AI Research (PAIR)(Picsart人工智能研究院(PAIR));UT Austin(德克萨斯大学奥斯汀分校);Georgia Tech(佐治亚理工学院)
针对预训练扩散模型多概念生成中概念主导与非局部化贡献问题,提出仅调整文本嵌入的相似性校正与跨标记非极大值抑制方法,无需额外训练或推理成本,在多个任务上超越现有方法。
2023-10-11 cs.AI cs.CV
T2I-FactualBench: Benchmarking the Factuality of Text-to-Image Models with Knowledge-Intensive Concepts
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);Nanyang Technological University(南洋理工大学)
本文提出T2I-FactualBench,通过知识密集概念评估文本到图像模型的事实性,揭示当前SOTA模型在事实性上的不足。
2025-06-04 cs.AI cs.CV