論文の概要: Neuro-Symbolic Generative Art: A Preliminary Study

• arxiv url: http://arxiv.org/abs/2007.02171v1
• Date: Sat, 4 Jul 2020 19:40:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 13:01:57.416223
• Title: Neuro-Symbolic Generative Art: A Preliminary Study
• Title（参考訳）: Neuro-Symbolic Generative Art : 予備研究
• Authors: Gunjan Aggarwal, Devi Parikh
• Abstract要約: 我々はニューラル・シンボリック・ジェネレーション・アートという新しいハイブリッド・ジャンルを提案する。 予備研究として,シンボリックアプローチによるサンプルから生成型ディープニューラルネットワークをトレーニングする。 我々は、被験者が最終人工物と、私たちの神経-象徴的アプローチを使用して、それぞれ61%と82%の時間で象徴的アプローチよりも創造的になるプロセスを見つけることを、人間の研究を通して実証する。
• 参考スコア（独自算出の注目度）: 47.68552532886138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There are two classes of generative art approaches: neural, where a deep model is trained to generate samples from a data distribution, and symbolic or algorithmic, where an artist designs the primary parameters and an autonomous system generates samples within these constraints. In this work, we propose a new hybrid genre: neuro-symbolic generative art. As a preliminary study, we train a generative deep neural network on samples from the symbolic approach. We demonstrate through human studies that subjects find the final artifacts and the creation process using our neuro-symbolic approach to be more creative than the symbolic approach 61% and 82% of the time respectively.
• Abstract（参考訳）: データ分布からサンプルを生成するために深層モデルが訓練されるニューラルと、アーティストが一次パラメータを設計し、自律システムがこれらの制約の中でサンプルを生成するシンボリックまたはアルゴリズムの2つのクラスがある。 本研究では,ニューロシンボリック・ジェネレーション・アートという新たなハイブリッドジャンルを提案する。 予備研究として,シンボリックアプローチを用いた生成的深層ニューラルネットワークの学習を行った。 我々は、被験者が最終人工物と、私たちの神経-記号的アプローチを用いて、それぞれ61%と82%の時間で象徴的アプローチよりも創造的であることを明らかにする。

関連論文リスト

• Neuroformer: Multimodal and Multitask Generative Pretraining for Brain Data [3.46029409929709]
  最先端のシステム神経科学実験は大規模なマルチモーダルデータを生み出し、これらのデータセットは分析のための新しいツールを必要とする。 視覚領域と言語領域における大きな事前学習モデルの成功に触発されて、我々は大規模な細胞分解性神経スパイクデータの解析を自己回帰生成問題に再構成した。 我々はまず、シミュレーションデータセットでNeuroformerを訓練し、本質的なシミュレートされた神経回路の動作を正確に予測し、方向を含む基盤となる神経回路の接続性を推定した。
  論文  参考訳（メタデータ） (2023-10-31T20:17:32Z)
• On Model Explanations with Transferable Neural Pathways [41.2093021477798]
  対象モデルの特徴写像からニューラルパスを予測することを学習する生成的クラス関連ニューラルパス(GEN-CNP)モデルを提案する。 そこで我々は,同クラスのサンプルを説明するために,クラス関連神経経路を伝達し,その忠実さと解釈可能性について実験的,質的に示すことを提案する。
  論文  参考訳（メタデータ） (2023-09-18T15:50:38Z)
• Neurosymbolic AI and its Taxonomy: a survey [48.7576911714538]
  ニューロシンボリックAIは、古典的なAIやニューラルネットワークのようなシンボリック処理を組み合わせたモデルを扱う。 本研究は近年,本分野の研究論文を調査し,提案モデルと応用モデルとの分類と比較を行った。
  論文  参考訳（メタデータ） (2023-05-12T19:51:13Z)
• Neurosymbolic AI for Reasoning over Knowledge Graphs: A Survey [0.0]
  本稿では,知識グラフ上でニューロシンボリック推論タスクを行う手法を調査し,それらを分類できる新しい分類法を提案する。 具体的には,(1)論理的にインフォームドされた埋め込みアプローチ,(2)論理的制約を伴う埋め込みアプローチ,(3)規則学習アプローチの3つの主要なカテゴリを提案する。
  論文  参考訳（メタデータ） (2023-02-14T17:24:30Z)
• Towards Creativity Characterization of Generative Models via Group-based Subset Scanning [64.6217849133164]
  創造的プロセスを特定し,定量化し,特徴付けるグループベースサブセットスキャンを提案する。 創造的なサンプルは、データセット全体にわたる通常のサンプルや非創造的なサンプルよりも大きな異常のサブセットを生成する。
  論文  参考訳（メタデータ） (2022-03-01T15:07:14Z)
• POPPINS : A Population-Based Digital Spiking Neuromorphic Processor with Integer Quadratic Integrate-and-Fire Neurons [50.591267188664666]
  2つの階層構造を持つ180nmプロセス技術において,集団に基づくディジタルスパイキングニューロモルフィックプロセッサを提案する。 提案手法は,生体模倣型ニューロモルフィックシステム,低消費電力,低遅延推論処理アプリケーションの開発を可能にする。
  論文  参考訳（メタデータ） (2022-01-19T09:26:34Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Learning Evolved Combinatorial Symbols with a Neuro-symbolic Generative Model [35.341634678764066]
  人間は限られたデータからリッチな概念を素早く理解することができる。 従来のアプローチと概念学習の強みを融合したニューロシンボリックジェネレーションモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-16T17:57:51Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Understanding Information Processing in Human Brain by Interpreting Machine Learning Models [1.14219428942199]
  この論文は、ニューラルネットワークの直感的な計算モデルを作成する上で、機械学習メソッドが果たす役割を探求している。 この視点は、コンピュータ神経科学に対する探索的およびデータ駆動のアプローチが果たす大きな役割を支持する。
  論文  参考訳（メタデータ） (2020-10-17T04:37:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。