AAAI 是由国际人工智能促进协会主办的年会,是人工智能领域中历史最悠久、涵盖内容最广泛的国际顶级学术会议之一,也是中国计算机学会(CCF)推荐的 A 类国际学术会议,在人工智能领域享有较高的学术声誉。2024年,AAAI主办地为加拿大温哥华,录用文章2342篇,录用率为23.75%。

近期,AI生成内容领域因大型语言模型和扩散模型的能力在生成文本和图像方面的显著进步而经历了引人注目的发展。这些进展扩大了其在不同领域的应用,包括文本、图像、视频和3D对象生成。考虑到像ChatGPT这样的强大生成模型在文本生成方面,以及扩散模型在图像合成方面受到的日益关注,AAAI社区有必要全面探索这些发展。本教程旨在帮助会议与会者更深入地理解该领域。

我们的教程将提供关于AI生成内容的全面概览,涵盖其基础、前沿、应用及社会影响。它将覆盖大型语言模型和扩散模型的基础知识,以及在此领域的最新研究和应用。我们还将讨论围绕AI生成内容的社会关切,包括AI伦理和安全性。通过本教程,与会者将对该领域的当前状态以及它呈现的机遇和挑战有更好的理解。我们的教程对于那些对将AI生成内容应用于不同领域感兴趣的研究人员和实践者将是有益的。与会者将获得关于生成高质量内容的最新技术和工具的见解,并学习与这项技术相关的潜在利益和风险。

https://sites.google.com/view/aigc-tutorial * Introduction to AI-Generated Contents * 文本生成 Text Generation with Large Language Models

Introduction to Large Language Models

Core Techniques of Large Language Models

Applications and Future Directions

图像生成 Image Generation with Large Generative Models

The World Through AI's Eyes

Common Generative Models for Image Generation

Frontiers in Large Image Generative Models

Real-world Impacts of Image Generative Models

代码生成 AIGC for Code Generation

Generative Models for Code Generation

Large Language Models for Code Generation

Industry Applications and Social Impact 图生成 AIGC for Graph Generation

Generative Models for Graph Generation Generative Models for Graph Transformation Evaluation Metrics and Benchmark Dataset Conclusion and Future Directions

Bang Liu 是蒙特利尔大学(UdeM)计算机科学与运筹学系(DIRO)的助理教授。他是DIRO应用计算语言学研究实验室(RALI)、蒙特利尔大学Courtois研究院、魁北克人工智能研究所Mila的成员,并担任加拿大CIFAR AI主席。他于2013年从中国科学技术大学(USTC)获得工学士学位,以及分别于2015年和2020年从阿尔伯塔大学获得理学硕士学位和博士学位。他的研究兴趣主要集中在自然语言处理、多模态与体化学习、AGI的理论与技术,以及AI在科学中的应用(例如,健康、材料科学)。Bang致力于理解智能的本质,并开发智能技术以加速科学发现。他在ACL、EMNLP、NAACL、NeurIPS、ICLR、AAAI、KDD、Web Conference、ICDM、CIKM、CVPR、ACM Transactions on Knowledge Discovery from Data(TKDD)、IEEE/ACM Transactions on Networking(TON)和ACM Transactions on the Web(TWEB)等顶级会议和期刊上发表了50多篇论文。他在蒙特利尔大学获得了2022年艺术与科学研究卓越奖章。他曾担任ACL、NAACL、EACL和EMNLP的领域主席。他还是许多会议和期刊的程序委员会成员或审稿人,包括KDD、ACL、Web Conference、SIGIR、AAAI、NeurIPS、ICLR、TOIS、JAIR、TPAMI、TNNLS、PR等。他在WWW 2022、AAAI 2022、IJCAI 2021、SIGIR 2021和KDD 2021上给出了几次教程。他还在ICLR 2022和NAACL 2022上共同组织了几个工作坊。

Yu Chen 博士是一位杰出的工程师和科学家,以其在人工智能领域的卓越贡献而闻名。作为Anytime.AI的联合创始人及机器学习负责人,他在法律领域开创了生成式AI解决方案。作为伦斯勒理工学院的自豪校友,他获得了计算机科学博士学位,并自此在机器学习(深度学习)和自然语言处理领域确立了权威地位。他的开创性研究引起了广泛关注和赞誉,其成果发表在NeurIPS、ICML、ICLR、AAAI、IJCAI、ACL、EMNLP、NAACL、KDD、WSDM、TheWebConf、ISWC和TNNLS等著名会议和期刊上。为表彰他的杰出工作,他获得了AAAI DLGMA’20最佳学生论文奖。陈博士还为关键著作《图神经网络:基础、前沿与应用》做出了贡献。作为该领域的尊敬专家,他在NAACL'21、SIGIR'21、KDD'21、IJCAI'21、AAAI’22和TheWebConf’22等知名会议上通过DLG4NLP教程分享了他的专业知识。陈博士的开创工作不仅在学术界留下了印记,也在技术和营销领域产生了影响,他的成就被世界经济论坛、TechXplore、TechCrunch、Ad Age和Adweek等知名出版物提及。作为对他创新精神的证明,他是4项美国专利的共同发明人。

Xiaojie Guo IBM Thomas J. Watson研究中心担任研究员。她从乔治梅森大学的信息科学与技术系获得了博士学位。她的研究主题包括数据挖掘、人工智能和机器学习,特别感兴趣的领域包括图上的深度学习、图变换与生成,以及可解释的表示学习。她在KDD、ICDM、ICLR、NeurIPS、AAAI、CIKM、《知识与信息系统》(KAIS)、《IEEE神经网络与学习系统交易》(TNNLS)和KAIS等顶级会议和期刊上发表了30多篇论文。她在2019年ICDM上获得了最佳论文奖,并且作为第一作者获得了一篇ESI热点和高被引论文奖。她还获得了2022年AAAI/IAAI奖。郭晓洁还担任多个顶级学术期刊的独立同行评审员,如《IEEE神经网络与学习系统交易》(TNNLS)、《IEEE数据知识发现交易》(TKDD)、ICLR和NeurIPS。

吴凌飞 AnytimeAI,CEO&联合创始人 个人介绍:吴凌飞博士,毕业于公立常春藤盟校之一的威廉与玛丽学院 计算机系。他的主要研究方向是机器学习,表征学习,和自然语言处理的有机结合,特别是图神经网络及其应用。目前他是AnytimeAI的CEO&联合创始人。在这之前,他是京东硅谷研究中心的首席科学家,带领 了30 多名机器学习/自然语言处理科学家和软件工程师组成的团队,构建智能电子商务个性化系统。他目前著有图神经网络图书一本,并发表了100多篇顶级会议和期刊的论文,谷歌学术引用将近3000次(H-index 28, I10-index 68)。他主持开发的Graph4NLP软件包,自2021年中发布以来收获1500+ Stars,180+ Forks,深受学术界和工业界欢迎。他曾是 IBM Thomas J. Watson 研究中心的高级研究员,并领导10 多名研究科学家团队开发前沿的图神经网络方法和系统,三次获得IBM杰出技术贡献奖。他是 40 多项美国专利的共同发明人,凭借其专利的高商业价值,共获得八项IBM发明成果奖,并被任命为 IBM 2020 级发明大师。他带领团队获得两个2022年AAAI人工智能创新应用奖(全球八个), IEEE ICC'19, DLGMA'20, DLG'19等多个会议和研讨会的最佳论文奖和最佳学生论文奖。他的研究被全球众多中英文媒体广泛报道,包括 NatureNews, YahooNews, AP News, PR Newswire, The Time Weekly, Venturebeat, 新智元,机器之心,AI科技评论等。他是KDD,AAAI,IEEE BigData会议组委会委员,并开创和担任全球图深度学习研讨会(与 AAAI20-22 和KDD20-22等联合举办)和图深度学习自然语言处理研讨会(与 ICLR22 和NAACL22等联合举办)的联合主席。他目前担任IEEE Transactions on Neural Networks and Learning Systems 和ACM Transactions on Knowledge Discovery from Data的副主编,并定期担任主要的 AI/ML/NLP 会议包括 KDD,EMNLP, IJCAI,AAAI等的SPC/AC。

成为VIP会员查看完整内容
61

相关内容

人工智能生成内容
【AAAI2024教程】大模型知识编辑,192页ppt
专知会员服务
73+阅读 · 2月29日
【AAAI2024】不完美数据下的可信机器学习
专知会员服务
50+阅读 · 2月26日
【AAAI2024教程】物理信息机器学习的最新进展
专知会员服务
67+阅读 · 2月25日
【AAAI2023教程】大规模深度学习优化技术,109页ppt
专知会员服务
58+阅读 · 2023年2月10日
KDD2020接受论文列表!338篇论文都在这了
专知
20+阅读 · 2020年6月26日
CCAI 2019|视觉语音语言多模态论坛嘉宾介绍
中国人工智能学会
12+阅读 · 2019年9月3日
深度学习的冬天什么时候到来?
中国计算机学会
14+阅读 · 2019年7月17日
自然语言处理(NLP)前沿进展报告
人工智能学家
20+阅读 · 2018年9月30日
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
3+阅读 · 2016年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
36+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2014年12月31日
国家自然科学基金
15+阅读 · 2009年12月31日
A Survey of Large Language Models
Arxiv
392+阅读 · 2023年3月31日
Arxiv
11+阅读 · 2022年9月1日
Arxiv
10+阅读 · 2021年2月26日
Arxiv
10+阅读 · 2020年11月26日
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Arxiv
11+阅读 · 2018年7月31日
Arxiv
10+阅读 · 2017年12月29日
VIP会员
相关资讯
相关基金
国家自然科学基金
0+阅读 · 2017年12月31日
国家自然科学基金
3+阅读 · 2016年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
36+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2014年12月31日
国家自然科学基金
15+阅读 · 2009年12月31日
相关论文
A Survey of Large Language Models
Arxiv
392+阅读 · 2023年3月31日
Arxiv
11+阅读 · 2022年9月1日
Arxiv
10+阅读 · 2021年2月26日
Arxiv
10+阅读 · 2020年11月26日
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Arxiv
11+阅读 · 2018年7月31日
Arxiv
10+阅读 · 2017年12月29日
微信扫码咨询专知VIP会员