深度强化学习的生成式人工智能:框架、分析与应用案例
这篇论文介绍了如何将通用游戏人工智能(GVGAI)与 OpenAI Gym 环境相结合,用于测试并比较几种深度强化学习算法在各种 GVGAI 游戏上的表现,为评估游戏的相对难度提供了第一手数据。
Jun, 2018
通过应用强化学习于生成型人工智能,我们讨论了现有技术水平、机会以及开放性研究问题。具体而言,我们分析了三种应用情况,包括没有指定目标的生成方法、在最大化目标函数的同时生成输出的方法,以及将难以通过目标函数捕捉到的所需特征嵌入生成过程的方法。这一令人着迷的新兴领域的机会和挑战也在调查中得到了深入讨论。
Jul, 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
生成人工智能已经成为解决区块链技术关键挑战的有希望的解决方案。本论文介绍了生成人工智能技术,概述了它们的应用,并讨论了将生成人工智能纳入区块链的现有解决方案。此外,案例研究表明生成扩散模型可以优化区块链网络性能指标。实验结果清楚地显示,与传统人工智能方法相比,所提出的生成扩散模型方法可以更快地收敛、获得更高的奖励,并显著提高区块链网络的吞吐量和延迟。最后,本文提出了生成人工智能在区块链应用中的未来研究方向。
Jan, 2024
下一代无线网络中,生成式人工智能(Generative AI,GAI)模型的应用可以提升资源分配和网络性能优化,解决传统优化技术面临的挑战。
May, 2024
利用生成模型实现了深度强化学习 (DRL) 框架 OpticGAI,并通过在光网络优化中解决 Routing and Wavelength Assignment (RWA) 和 dynamic Routing, Modulation, and Spectrum Allocation (RMSA) 等问题,取得最高奖励和最低阻塞率,为光网络优化的 AI 增强研究提供了有前景的方向。
Jun, 2024
通过将生成式人工智能(GAI)与现代物联网(IoT)相结合,我们提出了生成式物联网(GIoT)的概念,并研究了其潜在前景。我们介绍了四种 GAI 技术,讨论了 GIoT 的应用,并提出了一个基于 GAI 的安全激励机制框架,使用生成扩散模型(GDMs)进行机制设计,并应用区块链技术进行安全的 GIoT 管理。最后,我们通过现代车辆的交通监测案例研究,展示了利用 GDMs 生成有效合同来激励用户提供高质量感知数据。未来还有一些值得研究的开放方向,以促进 GIoT 的普及。
Oct, 2023
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
最近,生成式人工智能(GAI)由于其新兴能力,呈现了增强和改革产业推荐系统(Recsys)的独特机会。尽管在这些领域的交叉研究越来越多,将 GAI 整合到工业 Recsys 中仍处于初级阶段,主要是由于现代工业 Recsys 基础设施、运营和产品复杂性的复杂性。通过我们在几个主要社交和电子商务平台成功整合 GAI 的经验,本综述旨在全面考察底层系统和人工智能基础、解决方案框架、与关键研究进展的联系,以及总结在将 GAI 整合到工业 Recsys 的努力中遇到的实践见解和挑战。作为该领域的开创性工作,我们希望概述相关领域的代表性发展,为工业界提供实用的 GAI 应用,并激励未来的研究。
Jun, 2024