AIGB-R1: Self-Evolving Generative Auto-Bidding via Hierarchical Planner-Executor Optimization
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Alibaba Group（阿里巴巴集团）
研究针对AIGB范式在自动出价中存在的问题，提出AIGB-R1框架，利用大语言模型推理能力，通过分层规划器与执行器模块、经验驱动循环、两阶段训练及新优化方法，经实验验证该框架在自动出价任务中的有效性。
2026-11-03 cs.AI cs.LG
Beyond Single-Episode Optimization: Sliding-Window Aware Generative Auto-Bidding for Long-Term Advertising Effectiveness
Dalian University of Technology（大连理工大学）；Alibaba International Digital Commerce Group（阿里巴巴国际数字商业集团）；City University of Hong Kong（香港城市大学）
研究长期广告自动出价问题，提出SWAG - Bid分层框架，将其分解为轮次级规划与步骤级执行，规划器用掩码轨迹模型预测市场，控制器通过PSG - AdaLN调整，实验表明该方法在滑动窗口评估下有竞争力。
2026-11-04 cs.LG
Enhancing Generative Auto-bidding with Offline Reward Evaluation and Policy Search
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝与天猫集团）；Department of Automation, Tsinghua University（清华大学自动化系）
针对现有生成式自动出价方法无法超越静态数据集进行探索的性能瓶颈，提出AIGB-Pearl方法，通过轨迹评估器和KL-Lipschitz约束的分数最大化方案实现安全高效探索，在模拟和真实广告系统中取得最优性能。
2026-06-19 cs.AI cs.LG
Generative Auto-Bidding with Value-Guided Explorations
City University of Hong Kong（香港城市大学）；Nanyang Technological University（南洋理工大学）；Kuaishou Technology（快手科技）；The Chinese University of Hong Kong（香港中文大学）；Unaffiliated（无隶属机构）
针对现有自动出价策略适应性差及离线训练行为崩溃问题，提出生成式自动出价框架GAVE，利用基于评分的RTG模块和可学习价值函数引导动作探索，在离线评估和在线A/B测试中超越基线，并在NeurIPS 2024竞赛中夺冠。
2025-04-25 cs.IR cs.LG
Generative Bid Shading in Real-Time Bidding Advertising
Chongqing University（重庆大学）
本文提出生成式实时竞价投标方法，通过生成模型和奖励对齐系统优化短期和长期收益，解决传统方法在非凸收益曲线下和离散化模型中的不足。
2026-04-29 cs.GT cs.LG
Generative Auto-Bidding in Large-Scale Competitive Auctions via Diffusion Completer-Aligner
Kuaishou Technology（快手科技）；Nanyang Technological University（南洋理工大学）；City University of HongKong（香港城市大学）；Chinese University of HongKong（香港中文大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对扩散模型在自动出价中生成动态合法性不足导致曝光损失的问题，提出基于扩散补全-对齐器的因果自动出价方法CBD，在基准和快手平台均实现性能提升。
2025-09-03 cs.GT cs.LG
Q-Regularized Generative Auto-Bidding: From Suboptimal Trajectories to Optimal Policies
Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团）；Wuhan University（武汉大学）
QGA通过Q值正则化和双Q学习策略，提升自动出价策略的优化效果，实现从次优轨迹到最优策略的转变。
2026-08-18 cs.AI cs.IR cs.LG
Expert-Guided Diffusion Planner for Auto-Bidding
Xi'an Jiaotong University（西安交通大学）
针对生成式自动出价依赖回报准则缺乏个性化信息、扩散模型自回归生成有时间风险的问题，提出整合专家轨迹引导与跳步采样策略的条件扩散规划方法，提升生成效率，离线实验验证有效且在线A/B测试使转化率和收入分别提升11.29%和12.36%。
2025-08-24 cs.IR cs.LG
PRO-Bid: Pareto-Prioritized Regret Optimization for Constraint-Aware Generative Auto-Bidding
Dalian University of Technology Dalian China；Dalian University of Technology \& City University of Hong Kong Dalian China；Alibaba International Digital Commerce Group Hangzhou China；Dalian University of Technology；Dalian University of Technology \& City University of Hong Kong；Alibaba International Digital Commerce Group
PRO-Bid通过约束解耦帕累托表示和反事实遗憾优化机制，提升自动出价在约束下的性能和价值获取能力。
2026-08-18 cs.GT cs.LG
Bidding Agent Design in the LinkedIn Ad Marketplace
LinkedIn Corporation（领英公司）
我们建立了一个通用的优化框架，在动态在线市场的自动投标代理的设计。它只为买受人的利益而优化，而与出卖人施加的拍卖机制无关。因此，该框架允许例如跨多个平台联合优化一组广告，每个平台都运行自己的拍卖格式。从这个框架衍生的投标策略自动保证跨广告单元和平台的预算分配的最优性。预算交付时间表、投资回报和保证结果等常见限制直接转化为投标公式中的额外参数。我们分享了基于此框架在LinkedIn广告市场中部署的投标系统的实践经验。
2022-02-25 cs.AI cs.GT cs.IR
PlatformBid: An Auto-Bidding Benchmark from a Unified Advertising Platform's Perspective
Southeast University（东南大学）；Kuaishou Technology（快手科技）；Nanyang Technological University（南洋理工大学）
该研究针对现有自动竞价算法仅聚焦DSP侧的问题，提出首个以统一广告平台为中心的自动竞价基准PlatformBid，定义三类竞争场景并评估多种方法，还提出BidFlow方法，在快手实验中目标成本提升0.68%。
2026-07-31 cs.LG
C2:Cross learning module enhanced decision transformer with Constraint-aware loss for auto-bidding
Kuaishou Technology（快手科技）
C2通过交叉学习模块和约束感知损失改进决策变压器，以提升自动拍卖中的决策性能。
2026-01-29 cs.GT cs.LG
Offline Reinforcement Learning for Optimizing Production Bidding Policies
Meta
针对在线广告出价优化，提出基于离线强化学习的混合架构，优化可微基础策略参数并丢弃神经网络，在模拟与生产环境中实现统计显著的性能提升，且不增加基础设施、安全或可解释性成本。
2023-10-13 cs.LG stat.ML
AiAds: Automated and Intelligent Advertising System for Sponsored Search
Baidu Inc.（百度公司）
赞助搜索已经有20多年的历史，它已经被证明是一种成功的在线广告商业模式。基于点击付费定价模型和关键字定位技术，赞助系统运行在线拍卖来确定搜索广告的分配和价格。在传统的设置中，广告商应该手动创建大量的广告创意，并对一些相关的关键字进行出价，以瞄准他们的受众。由于搜索流量巨大，广告创意种类繁多，广告主人工优化的局限性成为提升该市场效率的主要瓶颈。此外，随着许多新兴的广告形式和供应不断增长，赞助搜索平台更加关注广告的ROI指标，以获得广告主的营销预算至关重要。在本文中，我们介绍了在百度开发的AiAds系统，它使用机器学习技术来构建一个自动化和智能化的广告系统。AiAds系统通过设计和实现自动竞价策略、智能目标定位和智能创建模型，将人工优化转化为多个自动化任务，并采用先进的方法对这些任务进行优化。AiAds是一种全新的赞助搜索系统架构，它改变了竞价语言和分配机制，打破了端到端广告检索框架的关键字定位限制，提供了广告创作的全局优化。该系统可以同时且显著地增加广告主的活动表现、用户体验和广告平台的收入。我们提出了系统的每个模块的整体架构和建模技术，并分享我们在解决几个关键挑战的经验教训。
2019-07-28 cs.GT cs.LG
Exploration of Summarization by Generative Language Models for Automated Scoring of Long Essays
Princeton University（普林斯顿大学）；University of Maryland, College Park（马里兰大学学院市分校）
针对BERT类编码器模型受512token限制难以处理长文自动评分的问题，本研究结合摘要与提示技术应用生成式语言模型，在对应数据集上显著提升了评分准确率。
2025-11-19 cs.CL cs.LG
Generative Language Modeling for Automated Theorem Proving
OpenAI
我们探讨了基于transformer的语言模型在自动定理证明中的应用。这项工作的动机是一个主要的限制自动定理证明人相比，人类-原始数学术语的生成-可能是通过从语言模型生成寻址的可能性。我们提出了一个自动化的证明和证明助手，GPT-f，元形式化语言，并分析其性能。GPT-f发现了新的简短证明，这些证明被主Metamath库所接受，据我们所知，这是基于深度学习的系统第一次提供被正式数学社区采用的证明。
2020-09-07 cs.AI cs.CL cs.LG
Generative Models and Connected and Automated Vehicles: A Survey in Exploring the Intersection of Transportation and AI
School of Engineering Science（工程科学学院）；Shandong Xiehe University（山东谢河大学）；Department of Electrical Engineering（电气工程系）；Northwestern University（西北大学）；Department of Computer Science（计算机科学系）；Pace University（帕克大学）
本文综述了生成模型与连接自动化车辆在交通与AI交汇领域的应用，探讨其在预测建模、模拟精度和自动驾驶决策中的提升作用及面临的挑战。
2026-04-21 cs.AI cs.LG cs.RO
Automated Treatment Planning in Radiation Therapy using Generative Adversarial Networks
University of Toronto（多伦多大学）；Princess Margaret Cancer Centre（玛格丽特公主癌症中心）；York University（约克大学）
基于知识的计划（KBP）是一种放射治疗计划的自动化方法，涉及在将理想的治疗计划校正为可交付计划之前预测理想的治疗计划。我们提出了一种生成对抗网络（GAN）方法，用于预测理想的3D剂量分布，避免了先前的特定于站点的特征工程和预测计划的低维表示的范例。在口咽癌患者数据集上的实验表明，我们的方法在几个临床满意度标准和相似性指标上显着优于以前的方法。
2018-07-17 cs.LG physics.med-ph stat.ML
AGAN: Towards Automated Design of Generative Adversarial Networks
Baidu Research（百度研究院）
生成对抗网络（GANs）的最新进展显示出通过架构变化改善GAN训练的有希望的迹象。尽管取得了一些早期的成功，但目前GAN架构的设计需要人类的专业知识，艰苦的试错测试，并且经常从其图像分类对应物中汲取灵感。在本文中，我们提出了第一个神经架构搜索算法，深度生成模型的自动神经架构搜索，或缩写为AGAN，专门适用于GAN训练。对于CIFAR-10上的无监督图像生成任务，我们的算法在相同的正则化技术下找到了优于最先进模型的架构。对于有监督的任务，自动搜索的架构也实现了极具竞争力的性能，在分辨率$32\times32$上优于人类发明的最佳架构。此外，我们的经验表明，AGAN学习的模块可转移到其他图像生成任务，如STL-10。
2019-06-25 cs.AI cs.LG stat.ML
SelfEval: Leveraging the discriminative nature of generative models for evaluation
Meta；GenAI（生成式人工智能部门）
提出SelfEval方法，利用生成模型自身计算真实图像给定文本提示的似然以评估文本-图像生成扩散模型的文本对齐性，在多任务上与人类评估高度一致，且无需外部模型，还展现出与判别模型相当的识别性能。
2024-11-27 cs.CV cs.LG
Cloud-Native Generative AI for Automated Planogram Synthesis: A Diffusion Model Approach for Multi-Store Retail Optimization
Campbellsville University（坎贝尔斯维尔大学）；University of Cumberlands（坎伯兰大学）
本文提出一种基于扩散模型的云原生架构，用于自动优化多店零售计划图生成，显著降低设计时间和成本。
2026-01-02 cs.LG
FlowQ-Net: A Generative Framework for Automated Quantum Circuit Design
Mila - Quebec AI Institute, Université de Montréal（魁北克人工智能研究所，蒙特利尔大学）
设计高效的量子线路是探索量子计算潜力的核心瓶颈，特别是对于有噪声的中间尺度量子（NISQ）设备，其中电路效率和对错误的弹性是至关重要的。门序列的搜索空间以组合方式增长，手工制作的模板通常会浪费稀缺的量子位和深度预算。本文介绍了一个基于流的量子设计网络\textsc{FlowQ-Net}，它是一个基于生成流网络GFlowNets的自动量子线路综合框架。该框架学习一种随机策略来顺序构建电路，按照灵活的用户定义的奖励函数的比例对它们进行采样，该函数可以编码多个设计目标，如性能，深度和门数。这种方法独特地能够生成各种高质量电路，超越单一解决方案优化。我们证明了\textsc{FlowQ-Net}的有效性，通过一组广泛的模拟。我们将我们的方法应用于变分量子算法（VQA）的设计，用于分子基态估计，Max-Cut和图像分类，这是近期量子计算的关键挑战。由\textsc{FlowQ-Net}设计的电路实现了显著的改进，与常用的单位基线相比，产生了在参数、门和深度方面更加紧凑的10 $\times$ -30 $\times$的电路，而不影响精度。即使受到来自现实世界量子设备的错误配置文件的影响，这种趋势也是如此。我们的研究结果强调了生成模型作为自动化量子线路设计的通用方法的潜力，为更有效的量子算法和加速量子领域的科学发现提供了一条有前途的道路。
2025-10-30 cs.LG quant-ph
A Generative Neural Network Framework for Automated Software Testing
基于搜索的软件测试（SBST）是一种流行的自动化测试技术，它使用反馈机制来搜索软件中的错误。尽管它很受欢迎，但它在设计、构建和解释反馈方面存在根本性的挑战。近年来，神经网络（NN）在广泛的任务中非常受欢迎。我们认为，它们可以解决共同的SBST方法所固有的许多问题。不幸的是，神经网络需要大量具有代表性的训练数据集。在这项工作中，我们提出了一个SBST框架的基础上，去卷积生成神经网络。它不仅保留了使NN适合SBST任务的有益品质，而且还产生了自己的训练数据，从而避免了获取限制NN使用的训练数据集的问题。我们通过一系列的实验证明，这种架构是可能的和实用的。它生成多样化的，合理的程序输入，同时探索程序行为的空间。它还创建了一个有意义的程序行为排序，并能够找到崩溃的执行。这一切都是在没有任何程序知识的情况下完成的。我们相信这个概念证明为SBST和神经网络的交叉点的未来工作开辟了新的方向。
2020-06-29 cs.LG cs.SE
AlphaJet: Automated Conceptual Aircraft Synthesis via Disentangled Generative Priors and Topology-Preserving Evolutionary Search
Hong Kong University of Science（香港科学与技术大学）
AlphaJet通过解耦生成先验和拓扑保持进化搜索，实现自动概念飞机合成，提供可解释的形状先验和拓扑保护算法，提升飞机设计自动化水平。
2026-04-29 cs.LG
Garment Design with Generative Adversarial Networks
Northeastern University（东北大学）
设计师倾向于坚持一个特定的心理定势和沉重的情感投资在他们的初始想法往往阻碍他们的创新能力，在设计思维和构思过程。特别是在时尚行业，客户需求日益多样化，全球竞争激烈，上市时间缩短（又名，“快时尚”）进一步加剧了设计师面临的这一挑战。深度生成模型的最新进展为通过自动生成和/或编辑设计概念来克服设计师的认知障碍创造了新的可能性。本文探讨了生成对抗网络（GAN）的设计概念的自动属性级编辑的能力。具体来说，属性GAN（AttGAN）-一个生成模型证明成功的属性编辑的人脸-用于自动编辑的服装的视觉属性，并在一个大型的时尚数据集上进行测试。实验支持假设的潜力GAN的属性级编辑的设计概念，并强调几个关键的限制和研究问题，以解决在未来的工作。
2020-07-23 cs.CV cs.LG
Automated Text Scoring in the Age of Generative AI for the GPU-poor
本文面向“GPU匮乏者”评估开源小规模GLM在自动化文本评分中的性能与效率，证明微调可获得可用但非SOTA的效果，并初步探索其生成评分反馈的能力。
2024-07-02 cs.AI cs.CL cs.LG
Pyramid Embedded Generative Adversarial Network for Automated Font Generation
Alibaba（阿里巴巴）
在本文中，我们研究了中文字体合成问题，并提出了一个金字塔嵌入式生成对抗网络（PEGAN）自动生成汉字图像。PEGAN由一个发电机和一个整流器组成。该生成器使用一个编码器-解码器结构，具有级联细化连接和镜像跳过连接。级联细化连接将下采样原始输入的多尺度金字塔嵌入到不同层的编码器特征图中，并且来自编码器的多尺度特征图连接到解码器中的对应特征图以进行镜像跳过连接。通过结合生成对抗损失、像素损失、类别损失和感知损失，生成器和训练器可以交替训练以合成字符图像。为了验证我们提出的PEGAN的有效性，我们首先建立一个评估集，其中的字符是根据其笔画数和使用频率选择，然后使用定性和定量指标来衡量我们的模型的性能与基线方法相比。实验结果证明了该模型的有效性，它显示了自动扩展小字体银行到完整的潜力。
2018-11-20 cs.CV cs.LG
Automated patent extraction powers generative modeling in focused chemical spaces
Massachusetts Institute of Technology（麻省理工学院）；Swiss Airtainer SA（瑞士空中容器公司）；National Tsing Hua University（国立清华大学）
本研究开发自动化专利提取流水线，利用USPTO专利数据训练有机电子、酪氨酸激酶抑制剂领域的专属生成模型，评估其在分布学习与属性优化任务上的表现并提出改进方向。
2023-07-24 cs.LG physics.chem-ph
Automated Neuron Labelling Enables Generative Steering and Interpretability in Protein Language Models
Department of Electrical Engineering and Computer Science, University of California, Berkeley, Berkeley, California（电气工程与计算机科学系，加州大学伯克利分校）
本文提出首个自动化神经元标记框架，为蛋白质语言模型中的每个神经元赋予生物学描述，并开发激活引导的生成调控方法，实现目标生化与结构特性的蛋白质生成，同时揭示模型缩放规律。
2025-07-08 cs.LG q-bio.BM
CreativeGAN: Editing Generative Adversarial Networks for Creative Design Synthesis
Massachusetts Institute of Technology（麻省理工学院）；Universiti Teknologi PETRONAS（马来西亚石油科技大学）
现代机器学习技术，如深度神经网络，通过发现大数据中的模式并做出准确的预测，正在改变从图像识别到语言理解的许多学科。它们在合成新设计方面也取得了可喜的成果，这对于创造产品和实现创新至关重要。生成模型，包括生成对抗网络（GANs），已被证明是有效的设计综合与应用范围从产品设计到超材料设计。这些自动化计算设计方法可以支持人类设计师，他们通常通过使用经验和知识反复探索想法的耗时过程来创建设计。然而，在自动合成“创意”设计方面仍然存在挑战。然而，GAN模型无法生成独特的设计，这是创新的关键，也是基于AI的设计自动化应用的主要差距。本文提出了一种自动化的方法，命名为CreativeGAN，用于生成新颖的设计。它通过识别使设计独特的组件并修改GAN模型来实现这一点，以便更有可能生成具有识别出的独特组件的设计。该方法结合了最先进的新颖性检测，分割，新颖性本地化，重写和生成模型的创意设计合成。使用自行车设计的数据集，我们证明了该方法可以创建新的自行车设计与独特的框架和处理，并推广到广泛的设计罕见的新奇。我们的自动化方法不需要人为干预，并展示了一种重新思考创意设计合成和探索的方法。
2021-03-10 cs.LG
RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation
CMU（卡内基梅隆大学）；Tsinghua IIIS（清华大学信息科学技术学院）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；UMass Amherst（马萨诸塞大学阿默斯特分校）；MIT-IBM AI Lab（麻省理工学院-IBM人工智能实验室）
本文提出 RoboGen 生成式机器人智能体，利用基础与生成模型自动构建任务、场景和监督信号，通过提议—生成—学习循环实现少人工干预的规模化机器人技能学习。
2024-06-14 cs.AI cs.CV cs.LG
Generative Grading: Near Human-level Accuracy for Automated Feedback on Richly Structured Problems
Stanford University（斯坦福大学）
大规模获得高质量教育的机会受到限制，因为在计算机编程，图形和简短回答问题等结构化领域的开放式作业中难以提供学生反馈。这个问题已经被证明是非常困难的：对于人类来说，它需要大量的手工工作，而对于计算机来说，直到最近，实现任何接近人类水平的精度都是无法实现的。在本文中，我们提出了生成评分：一种新的计算方法，提供反馈的规模，能够准确地分级学生的工作，并提供细致入微的，可解释的反馈。我们的方法使用生成描述学生的认知，写概率程序，合成数以百万计的标记的例子解决方案的问题，然后我们学习推断反馈，真正的学生解决方案的基础上，这种认知模型。我们将我们的方法应用于三种设置。在基于块的编码中，我们在以前的最佳反馈结果基础上实现了50%的改进，实现了超人的准确性。在另外两个广泛不同的领域-图形任务和简短的文本答案-我们实现了比以前的技术水平分别约4倍和1.5倍的重大改进，接近人类的准确性。在一个真实的教室里，我们进行了一个实验，我们使用我们的系统来增强人类评分员，在将评分时间减半的同时，提高了一倍的评分准确性。
2021-03-23 cs.CY cs.LG stat.ML
Cost-efficient generative AI summarization for scalable automated essay scoring in educational assessment
Princeton University（普林斯顿大学）
研究针对自动作文评分受输入长度限制问题，提出用生成式人工智能辅助摘要框架，用GPT-5变体生成摘要作输入，结合手工语言特征形成混合框架，评估其在评分等方面表现，揭示相关权衡，为AES提供初步评估及基线等。
2026-07-20 cs.CL cs.LG
Recurrent Generative Adversarial Networks for Proximal Learning and Automated Compressive Image Recovery
Stanford University（斯坦福大学）
从欠采样线性测量恢复图像通常会导致不适定的线性逆问题，这需要适当的统计先验。然而，建立有效的先验是由实时任务所规定的低训练和测试开销的挑战;以及需要检索视觉上“合理的”和物理上“可行的”图像以最小的幻觉。为了应对这些挑战，我们设计了一个级联网络架构，通过渗透生成残差网络（ResNet）的好处来对邻近算子进行建模，从而展开邻近梯度迭代。然后，部署逐像素成本和感知成本的混合物来训练近端。整体架构类似于在可行和合理图像的交叉点上的来回投影。广泛的计算实验检查重建儿科患者的MR图像的全局任务，和superresolving CelebA面临的更本地的任务，这是有见地的设计高效的架构。我们的观察表明，对于MRI重建，具有单个残留块的复发ResNet有效地学习了近端。这种简单的架构似乎明显优于替代的深度ResNet架构2dB SNR，以及传统的压缩感知MRI 4dB SNR，推理速度快100倍。对于图像超分辨率，我们的初步结果表明，建模去噪最近端需要深度ResNet。
2017-11-27 cs.AI cs.IR cs.LG
Generative Testing of Automated Speech Recognition Systems
Technical University of Munich（慕尼黑技术大学）；fortiss GmbH（fortiss公司）
研究针对自动语音识别系统易受对抗性操纵问题，提出黑盒测试方法GATAS，通过在文本转语音模型音素级潜在空间操作生成失败输入，经实验评估其成功率高、失真低、感知质量高，证明无目标潜在空间优化可有效生成测试用例。
2026-07-14 cs.CR cs.LG
CktGen: Automated Analog Circuit Design with Generative Artificial Intelligence
College of Computer Science and Technology（计算机科学与技术学院）；Australian Artificial Intelligence Institute（澳大利亚人工智能研究所）；School of Aeronautics and Astronautics（航空宇航科学学院）；School of Computing（计算科学学院）
提出CktGen，一种基于条件变分自编码器的模拟电路生成方法，通过解耦电路与规格编码并采用对比训练和分类器引导，实现从目标规格到有效电路的生成，显著优于现有方法。
2026-05-25 cs.LG
Automated Multi-Language to English Machine Translation Using Generative Pre-Trained Transformers
Sandia National Laboratories（桑迪亚国家实验室）；New Mexico Tech（新墨西哥理工学院）；New Mexico Cybersecurity Center of Excellence（新墨西哥卓越网络安全中心）
本研究使用本地GPT模型实现零样本多语言到英语的机器翻译，基准测试了16个开源模型在50种语言上的表现，发现ReMM-v2-L2-13B在多数指标上取得最佳翻译效果。
2024-04-23 cs.AI cs.CL cs.LG
Benchmarking System One decision models against trained classifiers and language models for automated decision gates
Texas State University（德克萨斯州立大学）
本研究基准测试系统一决策模型、训练分类器及语言模型在自动化决策门控中的表现，发现模型排名依赖条件，并提出了条件依赖的设计规则。
2026-10-08 cs.LG
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
Establishing an Evaluation Metric to Quantify Climate Change Image Realism
Stanford University（斯坦福大学）；Mila, Université de Montréal（蒙特利尔大学米拉研究所）
随着受控任务的成功，生成模型越来越多地应用于人道主义应用[1，2]。在本文中，我们专注于评估的条件生成模型，说明气候变化引起的洪水的后果，以鼓励公众对这个问题的兴趣和认识。由于在条件生成模型中不存在用于比较不同模式的真实性的度量，因此我们提出了几种自动化和基于人类的评估方法。为此，我们调整了几个现有的指标，并根据黄金标准的人类评估来评估自动化指标。我们发现，使用Fréchet Inception Distance（FID）与来自辅助分类器之前的中间Inception-V3层的嵌入产生与人类现实主义最相关的结果。虽然不足以单独建立一个人类相关的自动评估指标，我们相信这项工作开始弥合人类和自动生成评估程序之间的差距。
2019-10-22 cs.CV cs.LG stat.ML
An Automated Survey of Generative Artificial Intelligence: Large Language Models, Architectures, Protocols, and Applications
本文调查了生成人工智能领域，重点分析了前沿大型语言模型的架构、训练方法和性能，涵盖多个模型家族及部署协议，总结了各行业应用案例。
2026-04-09 cs.AI cs.LG
Machine-agnostic Automated Lumbar MRI Segmentation using a Cascaded Model Based on Generative Neurons
University of Dhaka（达卡大学）；Hamad Medical Corporation（哈马德医疗公司）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Qatar University（卡塔尔大学）
本文提出一种机器无关的腰椎MRI自动分割方法，通过级联YOLOv8 ROI检测与基于Self-ONN和DenseNet121的编码器-解码器网络，在12台扫描仪、34名受试者数据上实现83.66%的平均IoU和91.03%的DSC。
2024-11-23 cs.CV cs.LG eess.IV
Automated Red Teaming with GOAT: the Generative Offensive Agent Tester
Meta
本文提出 GOAT 自动化智能体红队系统，通过多轮通俗对话和 7 种对抗提示技术模拟普通用户攻击，在 JailbreakBench 上对 Llama 3.1 与 GPT-4 分别取得 97% 和 88% 的 ASR@10。
2024-10-02 cs.AI cs.LG
Automated Learning of Semantic Embedding Representations for Diffusion Models
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
本文提出一种多级去噪自编码器框架，通过自条件扩散学习在去噪马尔可夫链上获取图像嵌入，实验证明其语义表示质量在多数情况下超越最先进的自监督方法，表明扩散模型适用于通用表示学习。
2025-05-09 cs.CV cs.LG
Leveraging Generative AI for Enhancing Automated Assessment in Programming Education Contests
University of Bucharest Faculty of Mathematics and Computer Science（布加勒斯大学数学与计算机科学学院）；Softbinator Technologies（Softbinator技术公司）；Delft University of Technology（代尔夫特理工大学）
本文提出利用生成式 AI 自动生成编程竞赛高质量测试用例的 NLP 方法，并在 OJI、Kilonova.ro 和 IIOT 数据集上验证其可发现隐藏错误、减轻教师负担。
2025-06-06 cs.AI cs.CY cs.LG
GenAI-Net: A Generative AI Framework for Automated Biomolecular Network Design
ETH Zürich（苏黎世联邦理工学院）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
GenAI-Net是一种生成AI框架，用于自动化设计生物分子网络，通过结合代理和基于模拟的评估，实现从行为规范到可实现机制的转化。
2026-02-27 cs.AI cs.LG cs.SY
Automated Software Vulnerability Static Code Analysis Using Generative Pre-Trained Transformer Models
Sandia National Laboratories（桑迪亚国家实验室）；New Mexico Tech（新墨西哥理工学院）
本文评估了5个开源GPT模型在NIST SARD数据集上自动检测C/C++代码漏洞的效果，发现其假阳性与假阴性率过高，不适合全自动漏洞扫描，但在部分测试用例中表现优于随机采样，最佳模型Llama-2-70b-chat-hf在缓冲区溢出用例上实现了召回率与精确率均为1.0。
2024-07-31 cs.AI cs.CL cs.CR
How does agency impact human-AI collaborative design space exploration? A case study on ship design with deep generative models
University of Strathclyde（思克莱德大学）；University of California, Berkeley（加州大学伯克利分校）
本研究针对复杂生成设计空间探索，构建基于GAN的船舶设计GDS并对比三种探索模式，发现半自动化模式在平衡设计新颖性与性能方面最为有效。
2023-05-16 cs.LG
Integrating Large Language Models for Automated Structural Analysis
University of Alberta（阿尔伯塔大学）
针对尚无系统框架利用大型语言模型（LLMs）进行自动结构分析的空白，提出集成LLMs与结构分析软件的新型框架，通过特定领域提示设计等策略提升性能，基于GPT-4o的框架在基准数据集上达100%准确率。
2025-04-13 cs.LG cs.SE
Automated Traffic Incident Response Plans using Generative Artificial Intelligence: Part 1 -- Building the Incident Response Benchmark
University of Technology Sydney（技术学院悉尼大学）；University of Newcastle（新castle大学）；The University of Queensland（昆士兰大学）
本文提出基于生成式人工智能的交通事故响应基准，利用PeMS真实事故数据自动生成响应方案，并评估表明GPT-4o和Grok 2与专家方案对齐最优，而Gemini 1.5 Pro存在过度触发问题。
2025-06-03 cs.AI cs.LG cs.SY
A Study on Unsupervised Anomaly Detection and Defect Localization using Generative Model in Ultrasonic Non-Destructive Testing
Graduate School of Science and Technology, Gunmma University（群马大学理工学研究生院）；Faculty of Informatics, Gunmma University（群马大学信息学部）
本研究提出基于扩散模型的无监督异常检测方法，用于激光超声无损检测中的缺陷定位，仅用无缺陷数据训练，实验证明优于传统目标检测算法。
2024-05-26 cs.CV cs.LG eess.IV
Towards Automated Discovery: A Review of Generative Models, Multimodal Learning and Closed-Loop Workflows in Inverse Materials Design
Institute of Condensed Matter and Nanosciences, Université Catholique de Louvain（凝聚态与纳米科学研究所，比利时列日-努瓦尔桑大学）；WEL Research Institute（WEL研究机构）
本文综述了逆向材料设计中生成晶体结构建模、多模态学习和闭环设计管道的最新进展，重点讨论了可行性约束与物理先验的施加方式、多模态融合策略以及多种逆向设计策略（如条件生成与潜在优化、贝叶斯优化、强化学习和主动学习），并指出了常见失败模式及基于分阶段报告的评估实践。
2026-08-24 cond-mat.mtrl-sci cs.ET cs.LG
Generation of Realistic Synthetic Raw Radar Data for Automated Driving Applications using Generative Adversarial Networks
Facens University（法肯斯大学）；Technische Hochschule Ingolstadt（英戈尔施塔特工业大学）；FernUniversität in Hagen（哈根函授大学）
本文提出用生成对抗网络快速生成FMCW合成原始雷达数据，以摩托车距离和高斯噪声为输入生成16个同时chirp，经FID、RA图及目标检测验证其逼真性，可缩小仿真与现实差距并支持数据增强。
2023-08-08 cs.AI cs.CV cs.LG
Multimodal Taxonomic Conditioning for Generative Plankton Imagery
University of Glasgow（格拉斯哥大学）；National Defence University（国防大学）
针对浮游生物成像数据长尾分布问题，提出以分类学为条件、结合CLIP编码器与扩散变换器生成合成图像的方法，提升稀有分类群分类可靠性。
2026-09-11 cs.CV cs.LG
