创意和机器学习：一项调查
本研究探讨了创意和人工智能之间的关系，研究了人工智能在艺术创作中的应用，并考虑了人工智能对意识研究、兴趣和决策能力的潜在影响和伦理问题，以刺激人们对人工智能在创意领域中使用和伦理问题的思考。
Jun, 2023
本研究探讨生成型人工智能（AI）如何改变市场营销、产品开发和研究，讨论了该领域的最新发展、易于使用的资源以及道德和社会危害。除了解决偏见和虚假信息等问题的缓解技术外，辩论强调通过持续的利益相关者沟通和道德原则实现负责任的发展的重要性。
Nov, 2023
深度生成人工智能是机器学习社区中长期关注的重要话题之一，能够影响文本生成和计算机视觉等多个应用领域。最大似然估计是训练生成模型的主要范式，通过减少模型分布和目标分布之间的差异来捕捉和近似目标数据分布。然而，该目标无法满足用户对生成模型的全部要求。增强学习作为一种竞争性选择，能够通过创建新目标以利用新信号来注入新的训练信号，具有灵活性和强大的能力，能够从多个角度遵循人类的归纳偏好，如对抗学习、手工设计规则和学习奖励模型等。因此，增强学习已成为一个热门的研究领域，在模型设计和应用方面拓展了生成人工智能的界限。虽然最近在不同应用领域存在一些调查报告，但本综述旨在提供一个高级别的综述，涵盖了广泛的应用领域，包括严格的分类和对各种模型和应用的充分覆盖。值得一提的是，本综述还调查了快速发展的大规模语言模型领域。通过展示可能解决当前模型限制并扩展生成人工智能前沿的潜在方向，我们总结了本综述。
Aug, 2023
提出基于回归的学习框架，从创意的关键标准（如新颖、影响力、价值和意外性）的量化角度来评估创意。在电影数据集上进行实验，结果显示：1）创意标准与评论员分数的相关性，2）包含各种创意标准时可以提高电影评分预测的准确性，3）鉴别创意电影。
Jul, 2017
使用数据驱动技术和机器学习技术进行人机交互以生成创新点已成为一个相对较新的领域，在这个领域中，比赛驱动和数据驱动的方法也可用于激发创新和评估。 本文提出了一系列用于生成创新点的技术，包括一些相应的数据源和模型，以及两个模型，一个方法和一个框架。这些成果将受益于来自数据和知识工程，数据挖掘项目经理以及激励器，竞赛组织者，顾问，创新加速器和行业等的专业人员。
May, 2022
本文对机器学习与隐私问题进行了综述，涵盖了三种交互方式：(i) 私有机器学习，(ii) 机器学习辅助隐私保护，以及 (iii) 基于机器学习的隐私攻击和相应的保护方案，总结了各个领域内的研究进展和关键挑战，并提出了未来的研究方向。
Nov, 2020
通过引入 Relative Creativity 的概念，我们将重点转移到 AI 是否能够与理论上的人类创造能力相媲美，并基于统计学上可量化的评估，介绍了 Statistical Creativity 作为衡量 AI 创造力的方法。通过分析创造力度量，并引入可行的训练指导方针，我们建立了一个评估和促进 AI 模型中统计创造力的连贯、不断发展和变革的框架。
Jan, 2024