近年来，人工智能已用于生成大量高质量数据，如图像、音乐和视频。由于不同机器学习技术（如人工神经网络）性能的提高，如此大量的合成数据得以生成。考虑到人们对这一领域的兴趣日益浓厚，最近提出了用于自动数据生成和增强的新技术。例如，生成对抗网络 (GAN) 及其变体是当今该研究领域的流行技术。合成数据的创建也是通过基于进化的技术实现的，例如在多媒体工件创建的背景下。本社论总结了在特刊 (SI)“人工智能中的生成模型及其应用”背景下发表的研究论文。本期特刊由两位客座编辑负责：来自里斯本新大学（葡萄牙）的 Mauro Castelli 和来自的里雅斯特大学（意大利）的 Luca Manzoni。该特刊旨在收集人工智能生成模型领域的新贡献，重点关注它们在解决不同领域复杂的现实问题中的应用。在第一篇论文“Daydriex：将夜间场景转化为夜间日间驾驶体验” [ 1 ] 中，作者提出了一种处理流程，以生成专注于道路视图的增强型日间转换。关键思想是使用与街景服务输入图像相对应的现有日间图像来补充输入图像帧中暗区的缺失信息。第二篇论文“Fake It Till You Make It：有效合成数据生成指南” [ 2 ] 涉及对各种合成数据生成方法的评估。更详细地讲，作者研究了 (i) 数据预处理对生成的合成数据效用的影响，(ii) 在生成监督机器学习模型时是否应对合成数据集进行调整，(iii) 共享初步机器学习结果是否可以改进合成数据模型，以及 (iv) 一种效用度量（倾向得分）是否可以预测在现实生活中使用合成数据生成的机器学习模型的准确性。作者进行的分析有助于定义一些在生成和使用合成数据时应遵循的最佳策略指南。在第三篇投稿“使用多重插补集成和生成对抗网络生成济州传统饮料 Shindari 的合成发酵数据” [ 3 ] 中，作者提出了一个模型，该模型以 Shindari（一种传统的韩国饮料）的不完整表格发酵数据作为输入，并使用多重归纳集成 (MIE) 和生成对抗网络 (GAN) 来生成合成发酵数据，这些数据以后可用于预测和微生物腐败控制。为了生成合成数据，作者使用跳过连接重新建模了表格 GAN，并使用梯度惩罚调整了 Wasserstein GAN 的架构。最后，他们将所提模型的性能与其他归纳和集成模型进行了比较，证明了所提模型适合当前任务。在第四篇投稿“使用形式语法