Performance Optimization and Comparative Analysis of Generative AI Models on Advanced Accelerators
University of California San Diego(加州大学圣地亚哥分校);San Diego Supercomputer Center(圣地亚哥超级计算机中心)
针对生成式人工智能模型部署难题,开展系统研究,通过新颖的混合精度训练后量化评估等方法,对多种模型在不同下游任务及跨异构平台进行性能优化与比较分析。
2026-07-08 cs.LG cs.PF
Amortized Multi-Objective Optimization Across Tasks with Generative Solution Modeling
College of Computing and Data Science, Nanyang Technological University, Singapore(南洋理工大学计算与数据科学学院,新加坡);School of Mechanical Sciences, Indian Institute of Technology, Goa, India(印度理工学院Goa分校机械科学学院,印度);Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore(新加坡科技研究局前沿人工智能研究中心);Singapore Institute of Manufacturing Technology, Agency for Science, Technology and Research, Singapore(新加坡制造技术研究所,新加坡科技研究局)
本文提出一种新型参数化多目标贝叶斯优化器,通过生成解采样和跨任务协同搜索,实现连续任务偏好空间中的解预测,避免重复昂贵评估。
2026-05-08 cs.LG
Learning Multimodal Latent Generative Models with Energy-Based Prior
School of Systems and Enterprises(系统与企业学院);Stevens Institute of Technology(史蒂文斯理工学院)
本文提出将多模态隐变量生成模型与能量模型结合的新框架,通过变分联合训练获得更具表达力的先验,从而提升跨模态生成一致性。
2024-09-30 cs.CV cs.LG
Signal or Noise? Understanding Generative Models for Real-World Sensor Time Series
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Massachusetts Institute of Technology(麻省理工学院)
研究针对现实世界传感器时间序列生成模型碎片化问题,引入SensorGen大规模研究,评估五个主要家族的生成模型,发现流匹配模型性能强、信号属性重要、生成信号有实用价值。
2026-07-07 cs.AI cs.LG
Towards Universal Fake Image Detectors that Generalize Across Generative Models
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文揭示现有真伪分类器对训练中未见生成模型失效的原因,并提出基于预训练视觉-语言模型特征空间的免学习最近邻检测方法,显著提升跨生成模型的伪造图像检测泛化能力。
2024-04-01 cs.CV cs.LG
Performance Analysis and Optimization of 3D Generative Diffusion Models across GPU Architectures
Fairleigh Dickinson University(费尔利·迪金森大学);The University of Colorado at Colorado Springs(科罗拉多大学科罗拉多斯普林斯分校);Northeastern University(东北大学)
针对3D MRI扩散模型Med-DDPM,分析其在三代NVIDIA架构上的内核级性能瓶颈,提出TF32 Tensor Core激活和3D channels-last布局优化,实现SM周期和动态指令减少100倍,Tensor Core利用率提升至9.98倍,IPC提升7%。
2026-06-19 cs.LG
Input-Adaptive Generative Dynamics in Diffusion Models
本研究提出了一种输入自适应的扩散模型生成方法,通过调整生成动态以适应不同输入需求,从而提升生成质量和效率。
2026-03-07 cs.AI cs.CV cs.LG
Generative AI for Synthetic Data Across Multiple Medical Modalities: A Systematic Review of Recent Developments and Challenges
University of the Moon(月球大学);Maastricht University(马斯特里赫特大学);Eindhoven University of Technology(埃因霍温理工大学)
本文系统综述了GANs、VAEs、DMs和LLMs在多种医学模态数据合成中的应用,指出当前研究在个性化合成、下游模型验证及标准化评估方面存在显著缺口。
2024-07-02 cs.AI cs.LG
Curvature Graph Generative Adversarial Networks
Beihang University(北京航空航天大学);Macquarie University(麦考瑞大学)
生成对抗网络(GAN)被广泛用于图数据的广义和鲁棒学习。然而,对于非欧图数据,现有的基于GAN的图表示方法通过离散空间中的随机行走或遍历来生成负样本,导致拓扑属性(例如层次和圆度)的信息丢失。此外,由于拓扑异构性(即,图数据的不同密度),它们遭受严重的拓扑失真问题。在本文中,我们提出了一种新的曲率图生成对抗网络方法,命名为\textbf{\modelname},这是黎曼几何流形中第一个基于GAN的图表示方法。为了更好地保持拓扑性质,我们近似的离散结构作为一个连续的黎曼几何流形和生成负样本有效地从包裹的正态分布。为了处理拓扑异构性,我们利用Ricci曲率的局部结构具有不同的拓扑性质,获得低失真的表示。大量的实验表明,CurvGAN在多个任务中的表现始终显著优于最先进的方法,并显示出卓越的鲁棒性和泛化能力。
2022-03-03 cs.LG cs.SI
Tunable Latent Generative Priors for Compressed Sensing and Inverse Problems
Northeastern University(东北大学);Harvard University(哈佛大学);Technical University of Munich(慕尼黑技术大学);UC Santa Cruz(加州大学圣克鲁兹分校)
本文提出可调复杂度生成模型,用于提升压缩感知等反问题的重建性能,并通过理论分析和实验验证其有效性。
2026-09-14 cs.AI cs.LG
Group Equivariant Generative Adversarial Networks
New York University(纽约大学);Merck & Co., Inc.(默克公司)
生成对抗视觉合成的最新改进在自我监督的环境中结合了真实和虚假图像变换,从而提高了稳定性和感知保真度。然而,这些方法通常涉及通过GAN目标中的附加正则化器进行图像增强,因此将宝贵的网络容量用于近似变换等方差,而不是其期望的任务。在这项工作中,我们明确地将归纳对称先验通过群等变卷积网络纳入网络架构。群卷积具有更高的表达能力,具有更少的样本,并导致更好的梯度反馈之间的生成器和卷积。我们表明,组等方差无缝集成与最近的技术,GAN训练的正则化,架构和损失函数。我们证明了我们的方法的实用性条件合成,通过改进生成在有限的数据制度在对称成像数据集,甚至发现自然图像的优势与首选方向。
2021-03-30 cs.CV cs.LG eess.IV
Multichannel Generative Language Model: Learning All Possible Factorizations Within and Across Channels
Vector Institute(向量研究所);University of Toronto(多伦多大学);Google Research, Brain Team(谷歌研究院大脑团队)
通道对应于潜在意义的视点或变换。英语和法语中的一对平行句子表达了相同的潜在含义,但通过两个独立的渠道对应于他们的语言。本文提出了多通道生成语言模型(MGLM)。MGLM是一种跨渠道的生成式联合分销模型。MGLM在所有通道内和跨所有通道对所有可能的因子分解进行边缘化。MGLM赋予灵活的推理,包括无条件生成,有条件生成(其中观察到1个通道,并生成其他通道)和部分观察生成(其中不完整的观察分布在所有通道上)。我们使用包含英语、法语、捷克语和德语的Multi30K数据集进行实验。我们展示了无条件,有条件和部分条件生成的实验。我们提供从生成联合分布无条件采样的定性样本。我们还定量分析了质量多样性的权衡,发现MGLM优于传统的双语歧视模型。
2020-10-09 cs.CL cs.LG stat.ML
Generative Distribution Prediction: A Unified Approach to Multimodal Learning
School of Statistics, University of Minnesota(明尼苏达大学统计学院)
本文提出生成式分布预测(GDP)框架,利用条件扩散等多模态合成数据生成提升表格、文本和视觉任务的预测性能,并提供理论保证与多任务实验验证。
2025-03-09 cs.AI cs.LG stat.ML
Governing Generative AI Across Financial Institutions: A Framework for Generative AI Risk Control
Citigroup(摩根大通);Florida State University(佛罗里达州立大学)
针对SR 26-2未覆盖生成式AI的治理难题,本文提出兼容该监管规则的GAICF框架,将模型风险管理原则转化为分层控制结构,助力金融机构合规管控生成式AI应用。
2026-07-17 cs.LG q-fin.RM
Compositional Generative Modeling from Decentralized Data
Department of Computer Science and Engineering, Michigan State University, East Lansing, MI, USA(计算机科学与工程系,密歇根州立大学,东兰辛,MI,美国)
提出去中心化组合流匹配(DCFM)框架,通过结构约束实现分散数据中生成因子的组合,无需交换原始数据,在条件图像生成、机器人空间规划和医学属性共现建模中显著优于基线。
2026-06-08 cs.LG
On Global Applicability and Location Transferability of Generative Deep Learning Models for Precipitation Downscaling
ECMWF(欧洲中期天气预报中心);Mila Quebec AI Institute(魁北克AI研究所)
本研究评估了生成深度学习模型在不同地区降水下缩中的泛化能力和位置可迁移性。
2025-12-01 cs.LG
Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds
Yale University(耶鲁大学);New York University(纽约大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
本文提出几何感知生成自编码器GAGA,通过结合流形学习与生成建模,学习扭曲黎曼度量以刻画数据流形几何,实现均匀采样、测地线生成和群体插值,在单细胞轨迹推断上比现有最优方法提升30%。
2025-04-07 cs.LG math.DG stat.ML
Deep Generative Views to Mitigate Gender Classification Bias Across Gender-Race Groups
Wichita State University(威奇托州立大学)
已发表的研究表明,基于人脸的自动性别分类算法在性别种族群体中存在偏见。具体而言,女性和深肤色人群的准确率不平等。为了减轻性别分类器的偏见,视觉社区制定了几项策略。然而,这些缓解策略的有效性仅在少数种族(主要是高加索人和非洲裔美国人)中得到证实。此外,这些策略通常在偏差和分类准确性之间进行权衡。为了进一步推进最先进的技术,我们利用生成视图,结构化学习和证据学习的力量来减轻性别分类偏见。我们通过广泛的实验验证证明了我们的偏见缓解策略在提高分类准确性和减少性别种族群体偏见方面的优越性,从而在数据集内和交叉数据集评估中获得了最先进的性能。
2022-08-17 cs.AI cs.CV cs.LG
Generative and Discriminative Text Classification with Recurrent Neural Networks
DeepMind
我们以经验为基础描述了用于文本分类的判别式和生成式LSTM模型的性能。我们发现,尽管基于RNN的生成模型比它们的词袋祖先更强大(例如,它们考虑了文档中单词之间的条件依赖性),它们具有比区分训练的RNN模型更高的渐近错误率。然而,我们也发现生成模型比它们的判别模型更快地接近它们的渐近错误率--Ng & Jordan(2001)证明的模式同样适用于做出更天真的条件独立假设的线性分类模型。基于这一发现,我们假设基于RNN的生成分类模型对数据分布的变化更鲁棒。这一假设在zero-shot和连续学习设置中的一系列实验中得到了证实,这些实验表明生成模型的性能大大优于判别模型。
2017-05-26 cs.CL cs.LG stat.ML
Inferred Generative-Process Diversity Predicts Correlated Failure Across Language Models
该研究提出推断的生成过程多样性度量,可预测38个语言模型在10个基准族上的关联失效,效果优于语义相似性,为多模型系统安全研究提供新方法。
2026-09-04 cs.LG cs.MA
Time Series Generation Under Data Scarcity: A Unified Generative Modeling Approach
Ben-Gurion University of The Negev(内盖夫本-古里安大学)
针对数据稀缺下时间序列生成性能下降问题,提出统一扩散生成框架,通过预训练和动态卷积等创新,在少样本及全数据基准上均达最优。
2025-05-26 cs.LG
Inference-Time Steering Across Scaffolds and Epitopes for Sample-Efficient De Novo Nanobody Design
Alloy Therapeutics
该研究针对从头纳米抗体设计中条件选择导致的计算资源浪费问题,将生成式条件选择转化为推理时资源分配问题,提出两种动态预算分配器,可在不牺牲多样性的前提下大幅提升每GPU小时的可设计候选物产量。
2026-10-12 cs.LG
Score Neural Operator: A Generative Model for Learning and Generalizing Across Multiple Probability Distributions
University of Pennsylvania(宾夕法尼亚大学);BIGAI(北京智源人工智能研究院)
提出Score Neural Operator,在统一框架内学习多个概率分布到score functions的映射,利用潜空间技术提升生成质量,在2维GMM和1024维MNIST数据集上展现强泛化能力,并支持few-shot学习应用。
2024-10-15 cs.LG
DyneTrion: A Spatio-temporally Coherent Generative Emulator for Protein Dynamics Across Timescales
Artificial Intelligence Innovation and Incubation Institute, Fudan University(复旦大学人工智能创新与孵化院);Shanghai Academy of AI for Science(上海人工智能科学研究院);School of Data Science, Fudan University(复旦大学数据科学学院);Institute for Big Data, Fudan University(复旦大学大数据研究院);MOE Laboratory for National Development and Intelligent Governance, Fudan University(复旦大学教育部国家发展与智能治理实验室)
研究针对蛋白质跨时间尺度动力学模拟成本高的问题,提出DyneTrion模拟器,采用三注意力架构,在多基准测试中表现良好,能重现相关特性,还引入数据集评估其长时间尺度泛化能力,为蛋白质建模提供可扩展路径。
2026-07-20 cs.LG q-bio.QM
Zatom-2: Multitask Pretraining on Atomistic Data for Generative Modeling across Domains
Zatom-2是在OMol25和OMat24数据集上预训练的原子生成模型,采用多尺度Transformer与条件流匹配,提升了分子生成保真度,增强了低数据下的蛋白质生成能力。
2026-10-14 cs.AI cs.LG
MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval
The University of Manchester(曼彻斯特大学);Stanford University(斯坦福大学);Imperial College London(伦敦帝国理工学院);National Institute of Advanced Industrial Science(国家先进工业科学与技术研究院)
MemAdapter通过生成子图检索实现跨代理记忆范式的快速对齐,提升记忆检索灵活性并降低对齐成本,实验显示其性能优于现有系统。
2026-02-09 cs.AI cs.CL cs.LG
Graph Generative Models Evaluation with Masked Autoencoder
University of Texas at Dallas(德克萨斯大学达拉斯分校);Virginia Tech(弗吉尼亚理工大学)
针对图生成模型评估中特征提取困难、指标不一致的问题,本文提出利用图掩码自编码器提取图特征,并在多项指标上验证其更可靠有效。
2025-03-17 cs.LG
Fréchet Power-Scenario Distance: A Metric for Evaluating Generative AI Models across Multiple Time-Scales in Smart Grids
Department of Electrical and Computer Engineering, Texas A&M University(电气与计算机工程系,德克萨斯农工大学);John A. Paulson School of Engineering and Applied Sciences, Harvard University(约翰·A·保罗森工程与应用科学学院,哈佛大学)
本文提出一种基于Fréchet距离的新度量,用于从分布角度评估智能电网中生成式AI模型跨多时间尺度的合成数据质量,实证证明其优于传统欧氏距离度量。
2025-10-23 cs.AI cs.CV cs.LG
BDAN: Mitigating Temporal Difference Across Electrodes in Cross-Subject Motor Imagery Classification via Generative Bridging Domain
Xi’an Jiaotong-Liverpool University(西交利物浦大学);University of Liverpool(利物浦大学);Brunel University London(伦敦布鲁内尔大学)
针对跨被试运动想象分类中电极间时间差异导致的分布偏移问题,提出带生成式桥接域的BDAN网络,通过空间特征提取、桥接域构建与定制损失实现知识迁移,在公开EEG数据集上性能优于现有先进方法。
2024-04-16 cs.HC cs.LG
Federated Learning for Non-factorizable Models using Deep Generative Prior Approximations
Centre for Data Science, Queensland University of Technology(昆士兰科技大学数据科学中心);School of Mathematical Sciences, Queensland University of Technology(昆士兰科技大学数学科学学院);CEREMADE, Université Paris-Dauphine(巴黎第九大学CEREMADE研究中心);Imperial College London(伦敦帝国学院);Euler Institute, Università della Svizzera italiana (USI)(瑞士意大利语区大学欧拉研究所);Insubria University(因苏布里亚大学)
本文提出SIGMA先验,通过深度生成模型近似非因子化先验并引入条件独立结构,使联邦学习适用于空间统计等依赖建模场景,并在合成及澳大利亚空间数据上验证了有效性。
2024-05-25 cs.LG stat.CO stat.ME
Learning latent representations across multiple data domains using Lifelong VAEGAN
University of York(约克大学)
灾难性遗忘问题发生在以顺序方式在多个数据库上训练的深度学习模型中。最近,生成重放机制(GRM),已被提出来再现先前学习的知识,旨在减少遗忘。然而,这样的方法缺乏适当的推理模型,因此不能提供数据的潜在表示。在本文中,我们提出了一种新的终身学习方法,即终身VAEGAN(L-VAEGAN),它不仅诱导一个强大的生成重放网络,而且还学习有意义的潜在表示,有利于表示学习。L-VAEGAN可以允许将与不同域相关联的信息自动嵌入到潜在空间中的几个集群中,同时还可以跨不同的数据域捕获语义上有意义的共享潜在变量。该模型支持许多传统生成式重放方法无法完成的下游任务,包括跨不同数据域的插值和推理。
2020-07-20 cs.CV cs.LG
Anomaly Detection in Networks via Score-Based Generative Models
Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Artificial Intelligence Research Institute(人工智能研究院)
针对属性图中节点离群点检测缺乏通用方法的问题,提出利用基于分数的图生成模型进行检测,在小规模图上取得竞争力结果,并实证分析了狄利克雷能量的重构难点。
2023-06-27 cs.LG
GeFL: Model-Agnostic Federated Learning with Generative Models
Samsung Electronics(三星电子);University of Texas at Austin(德克萨斯大学奥斯汀分校);Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对联邦学习中客户端模型异构、边缘设备算力不足及隐私保护需求,提出基于联邦训练生成模型的GeFL框架及特征级改进的GeFL-F,在异构图像分类任务中实现了有竞争力的性能,同时提升了可扩展性与隐私性。
2025-05-17 cs.AI cs.LG
AlignGraph: A Group of Generative Models for Graphs
Northeastern University(东北大学)
由于缺乏置换不变性,生成模型学习图上的分布是具有挑战性的:节点可以在图上任意排序,标准图对齐是组合的,并且众所周知昂贵。我们提出了AlignGraph,一组生成模型,将快速有效的图对齐方法与一系列对节点排列不变的深度生成模型相结合。实验结果表明,该框架能够成功地学习图分布,在相关性能分数上比竞争对手高出25%-560%。
2023-01-26 cs.LG cs.SI
A discrete generative model of neuronal spiking activity on microelectrode arrays
Rensselaer Polytechnic Institute(伦斯勒理工学院);University of California Santa Cruz(加州大学圣克鲁兹分校)
针对高密度微电极阵列的稀疏放电数据,提出基于时空基元词汇表的离散生成模型,在31项人脑类器官与海马组织实验中实现5.2倍重建精度提升,并建立可复用的阵列级表示。
2026-09-22 cs.LG eess.SP q-bio.NC
Generative AI Security: Challenges and Countermeasures
University of California, Berkeley(加州大学伯克利分校)
本文分析生成式人工智能带来的独特安全挑战,并提出管理相关风险的潜在研究方向。
2024-10-23 cs.AI cs.CL cs.CR
Generative or Discriminative? Revisiting Text Classification in the Era of Transformers
Amazon Inc.(亚马逊公司)
本文在Transformer时代重新审视文本分类,比较生成式与判别式模型的性能,揭示不同架构下的表现差异并提供实际应用指导。
2026-01-09 cs.CL cs.LG
HYPE: A Benchmark for Human eYe Perceptual Evaluation of Generative Models
Stanford University(斯坦福大学)
生成模型通常使用人工评估来衡量其输出的感知质量。自动化指标是嘈杂的间接代理,因为它们依赖于算法或预训练的嵌入。然而,到目前为止,直接的人类评估策略是临时的,既没有标准化也没有验证。我们的工作为生成现实主义建立了一个黄金标准的人类基准。我们构建了人类eYe感知评估(HYPE),这是一个人类基准,它(1)基于感知的心理物理学研究,(2)在模型的不同随机采样输出集上可靠,(3)能够产生可分离的模型性能,(4)在成本和时间上有效。我们引入两种变体:一种是在自适应时间约束下测量视觉感知,以确定模型的输出看起来真实的阈值(例如250 ms),另一种是不太昂贵的变体,其在没有时间约束的情况下测量假图像和真实图像上的人类出错率。我们使用四个数据集:CelebA,FFHQ,CIFAR-10和ImageNet,在六个最先进的生成对抗网络和两种有条件和无条件图像生成的采样技术上测试HYPE。我们发现,HYPE可以跟踪整个训练时期的模型改进,我们通过自举抽样证实,HYPE排名是一致的和可复制的。
2019-10-31 cs.CV cs.HC cs.LG
DiT-Reward: Generative Representations for Text-to-Image Reward Modeling
JD Explore Academy, JD.com(京东探索研究院,京东);Tsinghua University(清华大学);Beijing Institute of Technology(北京理工大学);Peking University(北京大学)
提出DiT-Reward,利用预训练文本到图像扩散Transformer的生成表示进行奖励预测,在多个偏好基准上超越HPSv3,并实现1.65倍推理加速。
2026-06-23 cs.AI cs.LG
GENIUS: A Generative Framework for Universal Multimodal Search
Amazon(亚马逊公司);POSTECH
本文提出通用生成式检索框架 GENIUS,通过模态解耦语义量化和查询增强,在多模态、多领域任务中兼顾检索性能与效率,并在 M-BEIR 等基准上超越先前生成式方法。
2025-06-05 cs.AI cs.CV cs.IR
Watermarking across Modalities for Content Tracing and Generative AI
Centre Inria de l’Université de Rennes(雷恩大学法国国家信息与自动化研究所中心);Meta;Fundamental AI Research Lab (FAIR)(基础人工智能研究实验室)
本论文针对生成式AI内容追踪与模型监控需求,提出跨图像、音频和文本的水印技术,包括潜在生成模型水印、语音水印检测、大语言模型低假阳性水印及Transformer权重免训练水印,为内容审核和模型滥用检测提供解决方案。
2025-02-04 cs.AI cs.CR cs.LG
L-GTA: Latent Generative Modeling for Time Series Augmentation
Faculdade de Engenharia da Universidade do Porto(葡萄牙波尔图大学工程学院);Fraunhofer Portugal AICOS(德国弗劳恩霍夫葡萄牙AICOS研究所);University of Coimbra(科英布拉大学);Dalhousie University(达尔豪斯大学)
研究针对时间序列分析中的数据增强问题,提出基于变分自编码器、双向LSTM和时间自注意力的L-GTA模型,通过定义等变性目标学习潜在表示并应用可控扰动,实验表明该模型在多方面优于其他方法,能有效降低预测误差。
2026-07-09 cs.AI cs.LG
Collaborative Synthetic Data for Privacy-Preserving Financial Fraud Detection Across Organizational Silos
University of Bayreuth(拜罗伊特大学);Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所);Technical University of Munich(慕尼黑工业大学)
本文提出CollaFuse,一种基于扩散模型的协作合成数据方法,用于跨组织隐私保护的金融欺诈检测,在五个数据集上验证其能更一致地提升下游检测性能,价值源于跨组织结构而非本地保真。
2026-10-06 cs.AI cs.LG
Effects of Generative AI Errors on User Reliance Across Task Difficulty
Stanford University(斯坦福大学);University of Chicago(芝加哥大学);Microsoft Research(微软研究院)
本文通过生成图示任务实验,探讨生成AI错误对用户依赖性的影响,发现任务难度差异影响用户对AI错误的反应,揭示用户对不规则错误的容忍度。
2026-04-05 cs.AI cs.CY cs.ET
PoET: A generative model of protein families as sequences-of-sequences
提出蛋白质进化Transformer(PoET),一种将蛋白质家族作为序列的序列进行建模的自回归生成模型,通过独特的Transformer层实现跨家族迁移学习与长上下文外推,在变体功能预测和新蛋白质生成上优于现有模型。
2023-11-01 cs.LG q-bio.QM
Efficient Fréchet Distributional Decoder Alignment for Latent Generative Models
University of Toronto(多伦多大学);Université de Montréal(蒙特利尔大学);Vijil(维吉尔公司)
该研究针对潜在生成模型的解码器训练-生成不匹配问题,提出FDDA方法,冻结生成器并直接优化解码器,可显著降低gFDr⁶和训练时间,提升生成模型性能。
2026-10-14 cs.CV cs.LG
Seamless Optical Cloud Computing across Edge-Metro Network for Generative AI
School of Information Science and Technology, Fudan University(复旦大学信息科学与技术学院);Key Laboratory for Information Science of Electromagnetic Waves (MoE), Fudan University(复旦大学电磁波信息科学教育部重点实验室);Zhangjiang Laboratory(张江实验室);National Information Optoelectronics Innovation Center(国家信息光电子创新中心)
提出一种跨边缘-城域网的无缝光云计算系统,通过将输入和模型调制到光中实现边缘节点直接访问,能效达118.6 mW/TOPs,能耗较传统方案降低两个数量级,并支持并行执行复杂生成式AI模型完成图像生成任务。
2025-05-01 cs.CV cs.DC cs.LG
PromptSplit: Revealing Prompt-Level Disagreement in Generative Models
Department of Computer Science and Engineering, The Chinese University of Hong Kong(计算机科学与工程系,香港中文大学)
PromptSplit通过核方法检测生成模型在提示层面的分歧,提供可解释的分析工具以识别模型行为差异。
2026-02-06 cs.AI cs.CV cs.LG
From Melting Pots to Misrepresentations: Exploring Harms in Generative AI
Pennsylvania State University(宾夕法尼亚州立大学);University of Washington(华盛顿大学)
本文批判性总结生成式AI(如AIaaS)中社会危害的研究现状,聚焦边缘化群体的扭曲与刻板印象,并提出开放式研究问题以指引未来方向。
2024-03-16 cs.AI cs.CY cs.HC
Automated Tuning for Diffusion Inverse Problem Solvers without Generative Prior Retraining
Department of Electrical \& Computer Engineering, University of Minnesota, MN, USA;Center for Magnetic Resonance Research, University of Minnesota, MN, USA
提出零样本自适应扩散采样(ZADS)方法,通过测试时自监督优化数据保真权重,无需重训练扩散先验即可在任意噪声计划下实现高保真MRI重建。
2025-09-11 cs.AI cs.CV cs.LG