本文介绍了人工智能生成内容（AIGC）的技术及其在无线边缘网络中的应用，提出了 AIGC 作为服务（AaaS）的概念，并讨论了在边缘网络上部署 AaaS 的挑战。同时，我们还引入了几个基于图像的感知质量评估指标，并提出了一种通用有效的模型来说明计算资源与用户感知质量评估指标之间的关系。为了实现高效的 AaaS 和最大化在无线边缘网络中生成内容的质量，我们提出了一种深度强化学习启发的算法来选择最佳 ASP。仿真结果表明，相对于四个基准策略，即避免过载，随机，轮流以及上限方案，我们提出的算法可以为用户提供更高质量的生成内容并实现更少的崩溃任务。

Jan, 2023

提出了一种基于生成模型的工业 AIGC 协同边缘学习框架，通过利用真实样本合成和基于边缘的优化功能，实现高效的少样本学习，包括多任务 AIGC 计算卸载模型和注意力增强的多智能体强化学习算法，最终实现了边缘化 AIGC 任务完成的系统延迟优化。

May, 2024

通过使用人工智能生成的内容为联邦学习模型性能提升提供新的数据合成技术，并通过数据质量评估方法和激励机制解决客户参与联邦学习的经济激励问题。

Jun, 2024

本论文介绍了一种利用神经网络编码 - 解码架构的可扩展的人工智能生成内容系统，通过将图像转化为文本表示并优化传输以实现语义通信，从而提高对盲区车辆的感知能力和有效压缩通信数据。

Nov, 2023

提出了一种联合优化算法，用于解决在边缘计算范式中对 AI 生成内容模型和卸载决策的优化问题，并通过实验证明所提算法在联合优化性能上优于基准方法。

Dec, 2023

提出了一种语义通信（SemCom）支持的生成式人工智能内容（SemAIGC）生成和传输框架，通过语义信息的提取和传输，解决了无线网络中提供优质 AIGC 服务的挑战，并采用资源感知的工作负载权衡（ROOT）方案进行计算资源的智能调整。仿真结果表明，与传统方法相比，所提出的 SemAIGC 框架在延迟和内容质量方面具有优势。

Oct, 2023

本文深入讨论了基于人工智能技术生成内容的 AIGC，对其定义、关键条件、可重要的现有和未来特性、庞大的预训练模型带来的优势、工业链以及 AIGC 内部辅助生成和自动生成之间的区别进行了探讨，最后探讨了 AIGC 与元宇宙的潜在整合，旨在揭示 AIGC 的现有问题并提供未来应用方向。

Mar, 2023

本文介绍了基于联邦学习技术实现艺术智能生成内容的方法，解决了中心化训练带来的隐私问题，并成功应用于 AIGC 的微调中， 可以有效减少通信成本和训练延迟。

Jul, 2023

利用无人机辅助多智能体图卷积深度强化学习算法，实现车道上物联网设备最大化的用户体验，并在仿真中取得了良好的性能。

Feb, 2022

提出了 TrustGAIN，一个新的可信的 AI 生成内容（AIGC）范式，以确保未来 6G 网络中可信的大规模 AIGC 服务。讨论了 6G 网络中 AIGC 系统面临的敌对攻击和隐私威胁，以及相应的保护问题，并强调了在未来智能网络中确保移动生成服务的公正性和公平性的重要性。通过实例说明 TrustGAIN 可以有效地抵御恶意或生成的虚假信息。认为 TrustGAIN 是支持 AIGC 服务的智能可信的 6G 网络的必要范式，以确保 AIGC 网络服务的安全性，隐私性和公平性。

May, 2024