An overview of diffusion models for generative artificial intelligence
University of Münster(明斯特大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));ETH Zurich(苏黎世联邦理工学院);Risklab(风险实验室)
本文系统综述生成式AI中的扩散模型,给出DDPM的严谨数学框架、训练与生成原理,并梳理改进型DDPM、DDIM、无分类器引导和潜扩散等重要扩展。
2024-12-02 cs.AI cs.LG
PLay: Parametrically Conditioned Layout Generation using Latent Diffusion
Google Research(谷歌研究院)
本文提出PLay,一种条件潜在扩散模型,根据用户指南在矢量空间生成参数化布局,在三个数据集及用户研究中优于先前方法,提供交互式设计体验。
2023-06-21 cs.AI cs.HC cs.LG
Semantic Bottleneck Scene Generation
University of California, Berkeley(加州大学伯克利分校);Google Research(谷歌研究院)
将标签条件图像合成方法的高保真生成能力与无条件生成模型的灵活性相结合,提出了一种用于复杂场景无条件合成的语义瓶颈GAN模型。我们假设在训练过程中可以使用逐像素分割标签,并使用它们来学习场景结构。在推理过程中,我们的模型首先从头开始合成一个逼真的分割布局,然后合成一个逼真的场景,该布局的条件。对于前者,我们使用一个无条件的渐进分割生成网络,捕捉现实的语义场景布局的分布。对于后者,我们使用了一个条件分割到图像合成网络,捕捉分布的照片级逼真的图像的语义布局的条件。当进行端到端训练时,所产生的模型在Frechet Inception Distance和用户学习评估方面,在两个具有挑战性的领域的无监督图像合成中优于最先进的生成模型。此外,我们证明了生成的分割图可以用作额外的训练数据,以大大提高最近的分割到图像合成网络。
2019-11-26 cs.CV cs.LG stat.ML
DiffPattern-Flex: Efficient Layout Pattern Generation via Discrete Diffusion
The Department of Computer Science and Engineering, The Chinese University of Hong Kong, Hong Kong SAR(计算机科学与工程系,香港中文大学,香港特别行政区);Tsinghua University(清华大学)
本文提出 DiffPattern-Flex,通过离散扩散模型生成多样化拓扑,并结合白盒优化评估与快速合法化技术,实现高效且可靠的版图模式生成,在多个基准上显著优于现有方法。
2025-05-07 cs.CV cs.LG
Generative Adversarial Network Rooms in Generative Graph Grammar Dungeons for The Legend of Zelda
Southwestern University(西南大学)
生成对抗网络(GANs)已经证明了它们能够学习数据中的模式,并产生与包括视频游戏在内的多个领域的训练集相似但不同的新样本。然而,GANs有一个固定的输出大小,因此为地牢爬行游戏创建任意大小的关卡是困难的。GANs也很难对语义需求进行编码,从而使关卡变得有趣和可玩。本文结合了一个GAN的方法来生成单独的房间与图形语法的方法来组合成一个地牢的房间。GAN捕获各个房间的设计原则,但是图形语法将房间组织成具有由设计者确定的一系列障碍物的全局布局。来自塞尔达传说的房间数据用于训练GAN。用户研究验证了这种方法,表明GAN地下城与原始游戏中的关卡一样令人愉快,并且仅使用图形语法生成关卡。然而,GAN地下城的房间被认为更复杂,而普通图形语法的地下城被认为是最不复杂和最具挑战性的。只有GAN方法创建了布局和房间的广泛供应,其中房间跨越了培训集中看到的那些房间的范围,以融合来自多个房间的设计原则的新创作。
2020-04-19 cs.AI cs.LG cs.NE
A Deep Generative Artificial Intelligence system to decipher species coexistence patterns
Instituto de Física Corpuscular (IFIC, Universidad de Valencia-CSIC)(瓦伦西亚大学-西班牙国家研究委员会粒子物理研究所);Universidad de Valencia(瓦伦西亚大学);CSIC(西班牙国家研究委员会);Centro de Investigaciones Sobre Desertificación (CIDE, CSIC-Universidad de Valencia-Generalitat Valenciana)(荒漠化研究中心 (CIDE, 西班牙国家研究委员会-瓦伦西亚大学-瓦伦西亚自治区政府));University of Sussex(苏塞克斯大学)
1.破译共存模式是目前的挑战,以了解多样性的维护,特别是在丰富的社区,这些模式的复杂性是通过间接的相互作用,防止他们的近似与经典的实验方法放大。2.我们探索称为生成式人工智能(GenAI)的尖端机器学习技术,以破译植被斑块中的物种共存模式,训练生成对抗网络(GAN)和变分自编码器(VAE),然后用于解开社区聚集背后的一些机制。3. GAN能较准确地反映斑块的物种组成和植物物种对不同土壤类型的亲和度,VAE的准确率也达到99%以上。使用人工生成的补丁,我们发现,高阶相互作用往往会抑制低阶相互作用的积极影响。最后,通过重建演替轨迹,我们可以确定先锋物种具有更大的潜力,以产生一个高多样性的独特的补丁的物种组成。4.要理解不同生态群落中物种共存模式的复杂性,需要超越启发式规则的新方法。生成式人工智能可以成为实现这一目标的强大工具,因为它可以克服这一挑战的固有维度。
2021-07-13 cs.LG physics.bio-ph
Generative Adversarial Networks are Special Cases of Artificial Curiosity (1990) and also Closely Related to Predictability Minimization (1991)
The Swiss AI Lab, IDSIA, USI & SUPSI(瑞士人工智能实验室(IDSIA,意大利瑞士大学与瑞士意大利语区应用科学大学));NNAISENSE
我回顾了无监督或自监督的神经网络在博弈论环境中玩极大极小博弈:(i)人工电流(AC,1990)是基于两个这样的网络。一个网络学习生成输出的概率分布,另一个学习预测输出的影响。每个网络最小化被另一个最大化的目标函数。(ii)生成对抗网络(GANs,2010-2014)是AC的一种应用,如果输出在给定的集合中,则输出的效果为1,否则为0。(iii)可预测性最小化(Predictability Minimization,PM,1990年代)通过神经编码器对数据分布进行建模,该神经编码器最大化由代码组件的神经预测器最小化的目标函数。我纠正了以前发表的一个说法,即PM不是基于极大极小博弈。
2020-04-22 cs.LG cs.NE
Learning Robust Representations Of Generative Models Using Set-Based Artificial Fingerprints
USC Information Sciences Institute(南加州大学信息科学研究所);Visual Intelligence and Multimedia Analytics Laboratory(视觉智能与多媒体分析实验室);USC Ming Hsieh Department of Electrical and Computer Engineering(南加州大学明尼苏达电子与计算机工程系)
随着深度生成模型的最新进展,识别合成数据并比较其底层生成过程的问题已成为一项紧迫的任务,原因有很多,包括对抗视觉错误信息和来源归属。现有的方法通常通过模型的样本分布来近似模型之间的距离。在本文中,我们的指纹生成模型的问题,通过学习表示编码的残留文物留下的生成模型作为唯一的信号,识别源模型。我们认为这些独特的痕迹(a.k.a.“人工指纹”)作为生成模型的表示,并证明了它们在源归属的区分任务和定义底层模型之间的相似性的无监督任务中的有用性。我们首先将现有的关于GANs指纹的研究扩展到四类代表性的生成模型(VAE,Flows,GANs和基于分数的模型),并证明了它们的存在性和归属性。然后,我们提出了一种新的学习方法,基于集合编码和对比训练的指纹,提高了稳定性和属性。我们的集合编码器,不像现有的方法,对个别图像进行操作,从图像的\textit{set}学习指纹。我们通过与最先进的指纹方法和消融研究的比较,证明了稳定性和可归因性的改善。此外,我们的方法采用对比训练来学习模型之间的隐式相似性。我们发现潜在的家庭的生成模型,使用这个指标在一个标准的层次聚类算法。
2022-06-04 cs.AI cs.LG
Using generative adversarial networks to synthesize artificial financial datasets
American Express(美国运通)
生成对抗网络(GANs)在生成逼真的图像方面变得非常流行。在本文中,我们建议使用GANs来合成人工金融数据,以用于研究和基准测试。我们在三个美国运通数据集上测试了这种方法,并表明经过适当训练的GANs可以高保真地复制这些数据集。对于我们的实验,我们定义了一种新型的GAN,并提出了数据预处理方法,这些方法可以使GANs具有良好的训练和测试性能。我们还讨论了评估生成的数据的质量的方法,以及它们与原始真实数据的比较。
2020-02-06 cs.LG q-fin.ST stat.ML
Generative Agent-Based Modeling: Unveiling Social System Dynamics through Coupling Mechanistic Models with Generative Artificial Intelligence
Virginia Tech(弗吉尼亚理工大学)
本文提出生成式智能体模型(GABMs),通过将机制模型与ChatGPT等大型语言模型耦合来模拟社会系统中的人类决策,并以组织内社会规范扩散为例验证其可行性。
2023-09-20 cs.AI cs.LG cs.MA
Deep learning based inverse method for layout design
Hong Kong University of Science and Technology(香港科技大学)
复杂约束布局设计是一个具有挑战性的问题,解决由于解决方案的非唯一性和困难,将约束到传统的基于优化的方法。在本文中,我们提出了一种设计方法的基础上,最近开发的机器学习技术,变分自动编码器(VAE)。我们利用学习能力的VAE学习的约束和生成能力的VAE生成的设计候选人,自动满足所有的约束。因此,在设计阶段不需要施加任何约束。此外,我们还表明,VAE网络也能够学习设计问题的底层物理,从而形成一种高效的设计工具,一旦网络构建完成,就不需要任何物理仿真。我们证明了两种情况下的性能的方法:表面扩散引起的形态变化和掩模设计的光学显微光刻的逆设计。
2018-06-07 cs.LG eess.SP stat.ML
Artificial Fingerprinting for Generative Models: Rooting Deepfake Attribution in Training Data
University of Maryland(马里兰大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
由于生成对抗网络(GANs)的突破,真实感图像生成已经达到了一个新的质量水平。然而,这种deepfakes的黑暗面,恶意使用生成的媒体,引起了人们对视觉错误信息的担忧。虽然现有的deepfake检测研究工作具有很高的准确性,但它受制于生成技术的进步和检测对策技术的对抗性迭代。因此,我们寻求一种主动和可持续的深度伪造检测解决方案,即通过将人工指纹引入模型,对生成模型的演变不可知。我们的方法简单而有效。我们首先将人工指纹嵌入到训练数据中,然后验证这种指纹从训练数据到生成模型的可转移性,这反过来又出现在生成的deepfake中。实验表明,我们的指纹识别解决方案(1)适用于各种尖端的生成模型,(2)对生成质量产生的副作用可以忽略不计,(3)对图像级和模型级扰动保持鲁棒性,(4)难以被对手检测到,(5)将deepfake检测和归因转换为琐碎的任务,并优于最近最先进的基线。我们的解决方案关闭了发布预训练的生成模型发明及其可能的滥用之间的责任循环,这使得它独立于当前的军备竞赛。代码和型号可在https://github.com/ningyu1991/ArtificialGANFingerprints上获得。
2022-03-17 cs.CR cs.CV cs.CY
A new pathway to generative artificial intelligence by minimizing the maximum entropy
Center for Life Nanoscience, Istituto Italiano di Tecnologia(生命纳米科学中心、意大利技术研究院);Department of Physics, Sapienza University(物理系、萨皮恩扎大学)
本文提出一种通过对抗训练同时最小化和最大化熵的物理驱动生成模型,以数据高效且灵活的方式实现可控生成,并在基准测试中优于变分自编码器。
2025-06-05 cond-mat.stat-mech cs.IT cs.LG
Generative artificial intelligence for computational chemistry: a roadmap to predicting emergent phenomena
University of Maryland(马里兰大学);Institute for Physical Science and Technology(物理科学与技术研究所);University of Maryland Institute for Health Computing(马里兰大学健康计算研究所);Department of Chemistry and Biochemistry(化学与生物化学系);Department of Physics(物理系);Biophysics Program(生物物理学项目)
本文系统梳理了生成式AI在计算化学中的应用现状,指出其真正具备预测能力前必须克服预测涌现现象的核心挑战,并提出未来模型应整合统计力学等化学原理。
2024-09-04 cond-mat.dis-nn cond-mat.stat-mech cs.LG
Learning to Predict Layout-to-image Conditional Convolutions for Semantic Image Synthesis
The Chinese University of Hong Kong(香港中文大学);University of Science and Technology of China(中国科学技术大学);SenseTime Research(商汤科技研究院)
语义图像合成的目的是从语义布局中生成逼真的图像。先前使用条件生成对抗网络(GAN)的方法在此任务上显示出最先进的性能,该方法要么将语义标签映射作为输入馈送到生成器,要么使用它们通过仿射变换来调节规范化层中的激活。我们认为,生成器中的卷积核在生成图像时应该知道不同位置的不同语义标签。为了更好地利用图像生成器的语义布局,我们建议预测以语义标签映射为条件的卷积核,以从噪声映射生成中间特征映射,并最终生成图像。此外,我们提出了一个特征金字塔语义嵌入式多尺度判别器,这是更有效地提高生成的图像和输入的语义布局之间的细节和语义对齐比以前的多尺度判别器。我们在各种语义分割数据集上实现了定量指标和主观评价的最新结果,证明了我们方法的有效性。
2020-01-10 cs.CV cs.LG eess.IV
Object-Centric Image Generation from Layouts
Mila(米拉);Microsoft Research(微软研究院)
尽管最近在单对象和单域图像生成方面取得了令人印象深刻的成果,但具有多个对象的复杂场景的生成仍然具有挑战性。在本文中,我们从模型必须能够理解单个对象以及对象之间的关系的想法开始,以便很好地生成复杂的场景。我们的布局到图像生成方法,我们称之为以对象为中心的生成对抗网络(或OC-GAN),依赖于一个新的场景图相似性模块(SGSM)。SGSM学习场景中对象之间的空间关系的表示,这导致我们的模型的改进的布局保真度。我们还提出了修改发电机的调节机制,提高其对象的实例意识。除了提高图像质量外,我们的贡献还减轻了以前方法中的两种故障模式:(1)在布局中没有相应的边界框的情况下生成虚假对象,以及(2)布局中的重叠边界框导致图像中的合并对象。广泛的定量评估和消融研究证明了我们的贡献的影响,我们的模型在COCO-Stuff和Visual Genome数据集上的表现优于以前的最先进方法。最后,我们解决了一个重要的限制,在以前的作品中使用的评价指标,通过引入SceneFID -一个对象为中心的适应流行的Fr{é}chet初始距离度量,更适合于多对象图像。
2020-12-03 cs.CV cs.LG eess.IV
Machine learning thermal circuit network model for thermal design optimization of electronic circuit board layout with transient heating chips
Nagaoka University of Technology(长冈技术科学大学)
本文介绍了一种方法结合贝叶斯优化(BO)和一个灯电容热电路网络模型,是有效的,以加快瞬态加热芯片的电子电路板布局的热设计优化。随着电子设备变得越来越小和复杂,热设计优化以确保散热性能的重要性已经增加。然而,这样的热设计优化是困难的,因为必须考虑与发热部件的封装和瞬态温度变化相关联的各种权衡。本研究旨在借由人工智能来改善热设计最佳化的效能。采用高斯过程的BO与灯容热路网络模型相结合,并通过实例验证了其性能。结果,BO成功地找到了理想的电路板布局以及粒子群优化(PSO)和遗传算法(GA)可以。BO的CPU时间分别是PSO和GA的1/5和1/4。此外,BO在大约7分钟内从1000万个布局模式中找到了一个非直观的最佳解决方案。据估计,这是分析所有布局图案所需CPU时间的1/1000。
2021-01-16 cs.LG cs.SY eess.SY
K-TRAIL: Simulator-Guided Generative Design of EM/RF Circuits
Oregon State University(俄勒冈州立大学);Yale University(耶鲁大学)
针对射频/电磁电路逆向设计难、仿真昂贵的问题,提出K-TRAIL模拟器引导生成框架,结合扩散模型与集成卡尔曼引导,无需梯度即可优化布局,实验证明能改善目标响应一致性并发现多样可行设计。
2026-09-22 cs.LG
Graph-based Deep Generative Modelling for Document Layout Generation
Computer Vision Center(计算机视觉中心);Universitat Autònoma de Barcelona(巴塞罗那自治大学);Indian Statistical Institute(印度统计研究所)
任何深度学习方法的主要先决条件之一是大规模训练数据的可用性。当在现实世界中处理扫描的文档图像时,其内容的主要信息存储在布局本身中。在这项工作中,我们提出了一个自动化的深度生成模型,使用图神经网络(GNNs)来生成具有高度可变和合理的文档布局的合成数据,这些文档布局可用于训练文档解释系统,在这种情况下,特别是在数字邮件收发室应用中。这也是第一个基于图形的方法,用于在管理文档图像(在本例中为发票)上进行的文档布局生成任务。
2021-07-09 cs.CV cs.LG
A Deep Generative Model for Graph Layout
University of California, Davis(加州大学戴维斯分校)
不同的布局可以表征同一图形的不同方面。因此,找到一个“好”的图形布局是图形可视化的一个重要任务。在实践中,用户经常通过使用不同的方法和不同的参数设置在多个布局中可视化图形,直到他们找到最适合可视化目的的布局。然而,这种试错过程往往是偶然的和耗时的。为了向用户提供一种直观的方式来导航布局设计空间,我们提出了一种技术,使用深度生成模型系统地可视化各种布局中的图形。我们设计了一个编码器-解码器架构,从一组示例布局中学习模型,其中编码器表示潜在空间中的训练样本,解码器从潜在空间中生成布局。特别是,我们训练模型,以构建一个二维的潜在空间,用户可以轻松地探索和生成各种布局。我们通过对生成的布局进行定量和定性评估来展示我们的方法。我们的评估结果表明,我们的模型是能够学习和概括抽象概念的图形布局,而不仅仅是记忆的训练样本。总之,本文提出了一种全新的图形可视化方法,其中机器学习模型可以学习从示例中可视化图形,而无需手动定义语法。
2019-10-15 cs.GR cs.HC cs.LG
GreenPlanner: Practical Floorplan Layout Generation via an Energy-Aware and Function-Feasible Generative Framework
Tsinghua University(清华大学)
GreenPlanner通过能耗感知和功能可行的生成框架,实现高效、合规的楼地板布局生成,提升设计效率和准确性。
2025-11-29 cs.AI cs.LG
Fast ML-driven Analog Circuit Layout using Reinforcement Learning and Steiner Trees
University of Trieste(的里雅斯特大学);Infineon Technologies Austria(英飞凌科技奥地利公司);Infineon Technologies AG(英飞凌股份公司)
本文提出一种AI驱动方法,将模拟电路布局建模为马尔可夫决策过程,用强化学习自动生成布局,并引入斯坦纳树进行全局布线,最终将运行时间降至人工的1.5%。
2024-05-27 cs.LG
LayoutEnhancer: Generating Good Indoor Layouts from Imperfect Data
NJIT(新泽西理工学院);TU Wien(维也纳工业大学);Adobe Research(Adobe研究院)
我们解决了室内布局合成问题,这是计算机图形学中持续研究的主题。最新的作品使用数据驱动的生成方法取得了重大进展;然而,这些方法依赖于合适的数据集。在实践中,期望的布局属性可能不存在于数据集中,例如,特定的专家知识可能在数据中缺失。我们提出了一种方法,结合专家知识,例如,人体工程学的知识,与数据驱动的生成器的基础上流行的Transformer架构。知识作为可微标量函数给出,其既可以用作权值,也可以用作损失函数中的附加项。使用这些知识,合成的布局可以被偏置以展示期望的属性,即使这些属性不存在于数据集中。我们的方法还可以缓解数据缺乏和数据不完善的问题。我们的工作旨在改进生成式机器学习建模,并为设计师和业余爱好者提供新颖的工具,以解决室内布局创建的问题。
2022-10-06 cs.AI cs.CV cs.GR
Revision Matters: Generative Design Guided by Revision Edits
Google DeepMind(谷歌DeepMind);Stanford University(斯坦福大学)
本文研究人类设计师修订编辑对多模态生成模型的指导作用,通过专家数据集微调Gemini骨干网络,发现人类修订能显著提升迭代布局优化效果,设计FID分数接近人类水平,而自我修订则导致退化。
2024-05-27 cs.AI cs.CV cs.HC
Neural Turtle Graphics for Modeling City Road Layouts
University of Toronto(多伦多大学);Vector Institute(向量学院);NVIDIA(英伟达);MIT(麻省理工学院)
我们提出了神经海龟图形(NTG),一种新的空间图形生成模型,并展示了其在城市道路布局建模中的应用。具体来说,我们使用图来表示道路布局,其中图中的节点表示控制点,图中的边表示路段。NTG是由神经网络参数化的顺序生成模型。它迭代地生成一个新节点和一个连接到当前图上的现有节点的边。我们训练NTG开放街道地图数据,并表明它优于现有的方法,使用一组不同的性能指标。此外,我们的方法允许用户控制生成的道路布局的样式模仿现有的城市,以及草图的城市道路布局的一部分进行合成。除了合成,建议NTG发现在空中道路解析的分析任务中的用途。实验结果表明,它达到了最先进的性能在SpaceNet数据集。
2019-10-04 cs.CV cs.GR cs.LG
Variational Transformer Networks for Layout Generation
Google Inc(谷歌公司);ETH Zürich(苏黎世联邦理工学院);Technische Universität München(慕尼黑工业大学)
生成模型能够合成不同类型的布局(例如文档、用户界面或家具布置),是辅助设计过程的有用工具,也是生成合成数据的第一步。我们利用自注意层的属性来捕获布局中元素之间的高级关系,并将其用作众所周知的变分自编码器(VAE)公式的构建块。我们提出的变分Transformer网络(VTN)是能够学习的利润,路线和其他全球性的设计规则,没有明确的监督。从我们的模型中采样的布局与训练数据具有高度的相似性,同时表现出吸引人的多样性。在对不同布局类型的公开基准的广泛评估中,VTN实现了最先进的多样性和感知质量。此外,我们展示了这种方法作为文档布局检测管道的一部分的功能。
2021-04-06 cs.CV cs.LG
TAG: Learning Circuit Spatial Embedding From Layouts
The University of Texas at Austin(德克萨斯大学奥斯汀分校);NVIDIA Corporation(英伟达公司)
模拟和混合信号(AMS)电路设计仍然依赖于人类的设计专业知识。机器学习一直在通过用人工智能取代人类经验来辅助电路设计自动化。本文提出了TAG,一种新的范式,利用文本,自我注意力和图形的布局学习的电路表示。嵌入式网络模型学习空间信息,无需手动标记。我们将文本嵌入和自我注意力机制引入AMS电路学习。实验结果表明,能够预测与工业FinFET技术基准实例之间的布局距离。的电路表示的有效性进行了验证,通过显示可转移到其他三个学习任务与有限的数据在案例研究:布局匹配预测,线长估计,净寄生电容预测。
2022-09-07 cs.AR cs.LG
Integrating Generative Artificial Intelligence in Intelligent Vehicle Systems
BMW Group Research and Technology(宝马集团研究与技术部);Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS(弗劳恩霍夫智能分析与信息系统研究所(IAIS));Imperial College London(帝国理工学院);University of Augsburg(奥格斯堡大学);audEERING GmbH(audEERING有限公司)
本文综述了生成式人工智能在智能车辆中的现状、应用与未来方向,重点涵盖语音、视觉及多模态交互,并提出领域适应性、对齐、多模态集成及伦理等关键研究挑战。
2023-05-15 cs.AI cs.LG
What a Comfortable World: Ergonomic Principles Guided Apartment Layout Generation
Warsaw University of Technology(华沙理工大学);Akces NCBR;New Jersey Institute of Technology(新泽西理工学院)
本文提出一种将人体工学原则整合到生成模型中的方法,通过可微损失函数优化房间布局,提升居住舒适度,实验表明其在人体工学合规性上优于现有方法。
2026-04-09 cs.GR cs.LG
Procedural Content Generation via Generative Artificial Intelligence
Duke University(杜克大学);Tohoku University(东北大学)
研究如何将生成式人工智能用于过程内容生成,回顾其在创建多种内容上的应用,指出构建高性能模型面临训练数据有限问题,强调克服此问题对推动PCG研究的重要性,并关注相关应对研究。
2026-09-07 cs.AI cs.LG
When Generative Artificial Intelligence meets Extended Reality: A Systematic Review
本文系统综述了2023至2025年生成式AI在XR中的应用,基于PRISMA筛选26篇文献,总结应用领域、技术实现、研究趋势与空白,并展望未来研究方向。
2025-11-05 cs.AI cs.HC cs.LG
Generative Design through Quality-Diversity Data Synthesis and Language Models
Autodesk Research(欧特克研究院)
针对工程生成式模型的数据集获取与约束遵循难题,提出结合质量-多样性算法合成数据、微调语言模型生成高层设计再用波函数坍缩算法细化的建筑生成设计方法,证明进化合成数据对提升模型性能与文本遵循度的关键作用。
2024-05-16 cs.LG cs.NE
EDocNet: Efficient Datasheet Layout Analysis Based on Focus and Global Knowledge Distillation
针对电子器件文档版面分析需求,提出EDocNet模型,采用焦点与全局知识蒸馏方法训练,实现21类内容划分,提升平均准确率、召回率及检测速度。
2025-02-23 cs.CV cs.LG
Generative Network Layer for Communication Systems with Artificial Intelligence
Aalborg University(奥尔堡大学);University of Malaga(马拉加大学)
该研究提出一种在中间或边缘节点部署GenAI的生成式网络层,通过案例研究验证其在图像质量约束下可将网络所需数据速率提升超100%。
2024-01-26 cs.IT cs.LG math.IT
IncidentResponseGPT: Generating Traffic Incident Response Plans with Generative Artificial Intelligence
University of Technology Sydney(悉尼科技大学);University of Newcastle(纽卡斯尔大学)
本文提出 IncidentResponseGPT 框架,利用生成式 AI 生成区域自适应的交通事件响应方案,并结合 TOPSIS 方法对方案进行排序,以加速决策并降低事件对城市交通网络的影响。
2024-10-18 cs.HC cs.LG
Generative Artificial Intelligence: A Systematic Review and Applications
Cardiff Metropolitan University(卡迪夫城市大学);Delhi Technological University(德里理工大学)
本文系统性综述生成式AI的最新进展、技术及多领域应用,整合相关突破、探讨未来轨迹,并提出其可持续发展需遵循的负责任AI原则与伦理考量。
2024-05-17 cs.AI cs.CL cs.CV
Informing Artificial Intelligence Generative Techniques using Cognitive Theories of Human Creativity
Simon Fraser University(西蒙弗雷泽大学);University of British Columbia(不列颠哥伦比亚大学)
我们的创造力是使我们成为独特人类的共同观点表明,将对人类创造力的研究纳入生成深度学习技术可能是一条富有成效的途径,可以使其输出更引人注目,更像人类。使用基于Deep Dream的卷积神经网络和基于认知的计算艺术渲染系统的原始合成,我们展示了如何通过计算实现磨练理论,内在动机和“种子事件”的概念,并展示了它们对生成艺术的影响。我们讨论了深度学习卷积神经网络生成系统的探索如何帮助我们理解人类的创造力。最后,我们总结了基于人工智能的计算创造力和创造力心理学之间进一步交叉的想法。
2019-07-05 cs.AI cs.LG q-bio.NC
Leveraging Generative Artificial Intelligence for Causal Inference with Unstructured Data
Harvard University(哈佛大学);John F. Kennedy School of Government(约翰·F·肯尼迪政府学院)
研究人员提出GPI统计框架,利用开源GenAI模型提取非结构化数据的低维表示,无需微调生成模型,通过三个应用验证其可用于因果与预测推断,开源软件包可实现该框架。
2026-08-18 cs.LG stat.ME stat.ML