May, 2024

可信 AI 生成内容在智能 6G 网络中的应用：对抗、隐私和公平性

PDF
TL;DR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。
ai-generated content6g networkstrustgainadversarial attacksprivacy
发现论文，激发创造
  • 6G 无线网络智能信任管理的生成对抗学习

    本文介绍了一种基于生成式对抗学习的信任管理方法，以保证 6G 无线网络的安全与服务质量。通过整合人工智能和信任管理，实现智能优化和安全性。最后，应用该方法来保证网络安全和服务质量，取得了出色的表现。

    Aug, 2022

  • 一种由语义通信赋能的无线人工智能生成内容（AIGC）预配框架

    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

  • 通往 AI 生成内容负责任化的路径

    本文旨在探讨 AI 生成内容（AIGC）的三个主要问题：隐私、偏见、毒性、误导和知识产权的风险，并提供解决这些风险的可行方向，以实现 AIGC 的负责任和安全部署。

    Mar, 2023

  • 聊天 GPT 的调查: AI 生成的内容、挑战和解决方案

    本文针对 AI 基模型带来的 AI 生成内容（AIGC）涉及的工作原理、安全和隐私威胁、最新解决方案、以及未来挑战等方面做出了深入调查，主要讨论了 AIGC 的架构、工作模式和关键特征、安全和隐私威胁、道德和社会影响，最后针对 AIGC 未来的挑战和研究方向进行了总结。

    May, 2023

  • 在无线边缘网络中实现 AI 生成内容（AIGC）服务

    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

  • 可解释人工智能（XAI）在 6G 中的应用：增强人机之间的信任

    本综述旨在探讨可解释人工智能在 6G 系统中的应用，包括公共和法律动机、解释性定义、性能与解释性权衡、提高可解释性的方法以及将可解释性纳入未来无线系统的框架，由 PHY 和 MAC 层的优化案例研究支持。

    Nov, 2019

  • AIGC 隐私与安全挑战及其补救：探索隐私计算、区块链等技术的潜力

    本文系统地回顾了 AIGC 的概念、分类和基础技术，讨论了从多个角度面临的隐私和安全挑战，并针对性地列出了当前存在的应对措施。作者希望这项调查能帮助研究人员和企业构建更安全、更健壮的 AIGC 系统。

    Jun, 2023

  • 虚假人工智能生成内容（FAIGC）：理论、检测方法和机会综述

    最近几年，大型语言模型和扩散模型等生成人工智能模型在内容生产方面产生了革命性的影响，其生成的内容已嵌入到日常生活和工作的各个方面，涵盖了文本、图像、视频和音频。尽管人工智能生成的内容的真实性越来越高，接近人类创作水平，但这些技术也导致了伪造的人工智能生成内容的出现，给真伪信息的鉴别带来了新的挑战。本文提出了一个新的分类方法，更全面地介绍了目前伪造的人工智能生成内容的方法。接下来，我们探讨了伪造的人工智能生成内容的模态和生成技术，归类为人工智能生成的虚假信息和误导信息。在多个角度上，我们介绍了伪造的人工智能生成内容的检测方法，包括欺骗性伪造的检测、深度伪像的检测和错觉性伪造的检测。最后，我们讨论了未来研究的重要挑战和有希望的研究领域。

    Apr, 2024

  • AI 生成内容（AIGC）：一项调查

    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

  • 分散式车联网中移动 AIGC 服务的基于学习的激励机制

    在本文中，我们提出了一种分散化的激励机制，利用多智能体深度强化学习在车联网环境中平衡 RSUs 上的 AIGC 服务供应和用户对服务的需求，以优化用户体验和减小传输时延。实验结果表明，我们的方法在性能上优于其他基准模型。

    Mar, 2024