可视化的生成人工智能：现状与未来发展方向
通过对 6G 网络研究中的数据驱动的无线研究、生成式人工智能、生成模型、GMs 和 6G 网络研究等关键词进行分析，本文介绍了生成模型的教程和调查，并对无线研究领域的核心问题进行了回顾和分析，提出了 GMs 在 6G 网络研究的重要作用，并针对未来可能面临的挑战提供了潜在的策略和有希望的解决办法。
Feb, 2024
通过研究发现，生成人工智能已经可以利用网页上的上下文信息实现生成相关和高质量的网页图像，而无需手动输入提示，这一方法对于修复破损的网页或处理高度私密内容可能非常有价值。
Oct, 2023
近期以来，GenAI 的概念已经发展了几十年，在自然语言处理和计算机视觉方面取得了实质性的突破，在工业场景中积极参与。鉴于其中的实际挑战，如有限的学习资源和过度依赖科学发现经验主义，我们将大规模生成模拟人工智能（LS-GenAI）提名为 GenAI 的下一个热点。
Aug, 2023
通过利用生成人工智能（AI）产生的图像作为新的数据源，重新塑造了视觉智能中的传统模型范式，本文探讨了这一创新概念，从训练机器学习模型到模拟场景进行计算建模、测试和验证等一系列应用中探索了生成数据的潜力，并深入讨论了支持这种突破性使用生成 AI 的技术基础以及伴随的伦理、法律和实践考虑。
Oct, 2023
生成人工智能（GenAI）标志着人工智能能够生成解决方案，从而实现能够认知的人工智能，但也引出了解释可解释性（XAI）的新需求和挑战。本文首先强调了 XAI 在 GenAI 的重要性，并介绍了解释要求的新颖性和涵盖的方面。接着，我们对现有的 XAI 机制和方法进行了调查，并提供了税 onomy 来更好地描述和分类。然后，我们讨论了确保 XAI 的不同途径。最后，我们提供了一个简短但简明的 GenAI 技术背景，以帮助非技术读者更好地理解针对 GenAI 的新颖或调整过的 XAI 技术。本研究还为未来研究提供了十多个方向。
Apr, 2024
本文介绍了一种名为 VizAI 的生成 - 判别框架，该框架首先从多种数据可视化中生成数据的各种统计属性，并与判别模型相连，以选择最匹配被可视化的数据真实统计数据的可视化方式。使用众包判断和大量公开可用的可视化，我们证明 VizAI 优于学习推荐可视化的最新方法。
Nov, 2021
这篇综述论文提供了关于生成式 AI 扩散和传统模型的全面概述，主要介绍了它们的基本技术、在不同领域的应用以及所面临的挑战，旨在为研究人员和从业者提供全面了解，并激发未来在这个令人兴奋的人工智能领域的创新。
Feb, 2024
本文介绍了超过 350 种生成 AI 应用程序的综合调查，提供了有关各种单模和多模生成 AI 的结构分类和简洁说明，并组织成了不同的章节，以涵盖对文本、图像、视频、游戏和大脑信息等领域的广泛研究。我们的研究旨在为研究人员和从业者提供有价值的资源，以便更好地了解当前最先进的技术水平并促进该领域的进一步创新。
Jun, 2023
基于强化学习方法和计算创造力的不同研究流派，本文提出了一个三重引导 - 响应 - 奖励工程框架，以提高生成人工智能（GenAI）的创造能力。该框架包括了引导模型、响应模型和奖励模型，通过开发创造性的引导、生成出令人惊喜和创新性的输出，并结合 AI、创作者 / 管理者和客户的反馈，逐步提高生成人工智能的创造力。
May, 2024