- 关于作弊普遍性感知和生成 AI 的使用
调查研究教职员工对学生作弊普遍性的感知以及生成式人工智能对学术诚信的影响,通过对乌普萨拉大学信息技术系教师的匿名调查数据和 2004 至 2023 年作弊调查的机构统计数据的分析,结果显示教师普遍不认为作弊普遍,但他们强烈认为作弊案例在增加 - 人类对稳定扩散态 v1、DALL-E 2 和 DALL-E 3 表达的情绪的改进情感调整
生成型 AI 系统的情感表达能力对于 AI 系统的有效性至关重要,特别是那些旨在支持人类心理健康的系统。本研究旨在通过设计一项调查,测量生成型 AI 表达的情感与人类感知的一致性,以回答 AI 如何成功地表达特定情感的问题。通过评估多个生成 - 差距加大:对初学者程序员的生成式人工智能的益处与危害
新手编程人员在解决编程问题方面常常面临元认知意识和策略的缺乏。前期研究已经表明,新手在编程时可能会遇到多个元认知困难。新手通常不了解这些困难如何阻碍他们的进展。与此同时,许多新手正在使用生成型人工智能(GenAI)进行编程,它可以提供大多数 - 智能临床文书:利用生成式人工智能进行以患者为中心的临床笔记生成
综合临床记录,生成式人工智能(AI),自然语言处理(NLP),自动语音识别(ASR)和医疗保健环境是本研究的关键词。研究发现生成式 AI 有潜力改变临床记录实践,减轻行政负担,使医疗保健专业人士更专注于直接病人护理。
- 实验室规模的 AI:在资源有限的情况下,开放权重模型与 ChatGPT 就竞争力不相上下
使用较小的开放权重模型在低成本资源环境中实现与高成本封闭权重模型相媲美的性能,同时满足透明度、领域适应性和生成性标准的需求,并针对偏见、隐私和虚构风险等实际问题进行了实验验证。
- 鉴别性总变差距离估计:生成数据的保真度稽核器
本文基于判别性方法提出了一种评估生成数据保真度的方法,利用总变差距离作为有效的度量。通过定量地表征两个分布分类的贝叶斯风险和它们的总变差距离的关系,实现了总变差距离的估计。特别地,本文建立了关于两个高斯分布总变差距离估计误差收敛速率的理论结 - 基于生成模型的下一代无线网络优化:基础、现状与关键挑战
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。
- 街坊里的影响力人物:误导信息创造者如何使用智能 AI
鉴于生成式人工智能(GenAI)的进展引发了对检测和区分人工生成内容和人类生成内容的关注,本研究通过 2022 年至 2023 年的纵向民族志研究发现,GenAI 支持拼凑工作,即非专家越来越多地使用 GenAI 来重新混合、重新包装和(重 - 生成人工智能与大型语言模型在网络安全中的应用洞见
通过生成式人工智能和大型语言模型(LLM),该论文对未来的网络安全进行了全面回顾,并探讨了 LLM 在硬件设计安全、入侵检测、软件工程、设计验证、网络威胁情报、恶意软件检测和钓鱼检测等各个领域的应用。论文提供了将 LLM 集成到未来网络安全 - 高等教育中的生成 AI:机构采用政策和指南的全球视角
将生成式人工智能(GAI)融入高等教育对准备未来一代具备 GAI 知识的学生至关重要,本研究运用创新扩散理论考察了来自六个全球地区的 40 所大学中高等教育中 GAI 采纳策略,其中探讨了 GAI 创新的特征、沟通渠道以及大学政策和指导中所 - 引导的多目标生成人工智能以增强基于结构的药物设计
通过结合深度扩散和多目标优化,IDOLpro 是一种新颖的生成化学人工智能,可以在计算机模拟中生成具有最优结合亲和力和合成易得性的配体,优化多种目标物理化学性质,并超越实验观察的配体的性能。
- 生成人工智能对信息获取的社会技术影响
鲁棒的访问可信信息是社会的一个重要需求,涉及知识生产、公共健康教育和促进民主社会中公民明智决策。生成型 AI 技术可能为访问信息和提高现有信息检索系统的效果提供新途径,但我们才刚开始理解和应对其长期社会影响的问题,本章概述了在信息访问背景下 - 生成人工智能:系统综述和应用
人工智能与生成式人工智能的应用领域,特别是语言生成与伦理考虑的最新研究成果与未来发展轨迹的综合分析。
- ChatGPT 在教育中的应用:将挑战转化为机遇
人工智能在教育领域带来了个人化学习的潜力,但也面临着作弊、准确性和教育工作者有效整合的问题。本研究通过运用 Technology Acceptance Model,评估教育工作者和学生对生成型人工智能的态度、使用模式和障碍,旨在深入研究这些 - IGOT:针对域自适应预训练的信息增益优化分词器
使用信息增益优化的分词器 (IGOT) 在特定领域下进行持续预训练可提高训练效率与性能,降低收敛半径与收敛点。
- 人工智能反向影响:生成式人工智能时代中数据污染的注意事项
人工智能生成技术和大型模型产生了现实感十足的输出,但盲目使用合成数据可能导致模型性能下降和伦理问题,因此需要平衡使用真实数据和合成数据的方法来优化结果。这篇综述研究了在生成模型中盲目整合合成数据对图像和文本模态的训练的后果,并探索了缓解这些 - LLMs 是有意义类型的代码结构
该论文介绍了一组新的抽象概念,用于将神经符号编程与生成式 AI 模型相结合,并提出了一个用于自动转换意义和传统类型的运行时特性。通过利用这一新的代码构造和自动转换特性,我们展示了神经符号程序的示例实现,这些程序灵活地利用了生成式 AI 模型 - PolyGlotFake:一种新颖的多语言和多模态 DeepFake 数据集
通过提出一个新颖的、多语种的、多模态的深度伪造数据集 PolyGlotFake,本研究在该数据集上进行了实验,展示了多模态深度伪造检测研究中的重要挑战和实用价值。
- 开源生成型人工智能的风险与机遇
开源生成性人工智能(Gen AI)的应用在许多不同领域中具有革命性的潜力,可能引发对技术潜在风险的热烈讨论和对更严格监管的呼声。本研究使用三阶段框架对开源生成性人工智能模型的风险和机遇进行分析,并认为开源 Gen AI 的好处超过了风险,因 - UnMarker:一种针对防护水印的通用攻击
通过对水印范式进行深入分析,我们提出了第一个实际的对抗语义性水印的攻击 UnMarker,该攻击不仅可以击败传统方案并且保持更高的质量,还可以破坏修改图像结构的语义性水印,将最佳检测率降低到 43%并使其无用。