論文の概要: Creativity of Deep Learning: Conceptualization and Assessment
- arxiv url: http://arxiv.org/abs/2012.02282v1
- Date: Thu, 3 Dec 2020 21:44:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 15:09:48.739060
- Title: Creativity of Deep Learning: Conceptualization and Assessment
- Title(参考訳): 深層学習の創造性:概念化と評価
- Authors: Johannes Schneider and Marcus Basalla
- Abstract要約: 我々は,創造的領域における生成的深層学習の現在の応用を概念化し,評価するために,計算的創造性からの洞察を利用する。
私たちは、現在のシステムと、人間の創造性の異なるモデルと、その欠点の類似点を強調します。
- 参考スコア(独自算出の注目度): 1.7310589008573272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While the potential of deep learning(DL) for automating simple tasks is
already well explored, recent research started investigating the use of deep
learning for creative design, both for complete artifact creation and
supporting humans in the creation process. In this paper, we use insights from
computational creativity to conceptualize and assess current applications of
generative deep learning in creative domains identified in a literature review.
We highlight parallels between current systems and different models of human
creativity as well as their shortcomings. While deep learning yields results of
high value, such as high quality images, their novelity is typically limited
due to multiple reasons such a being tied to a conceptual space defined by
training data and humans. Current DL methods also do not allow for changes in
the internal problem representation and they lack the capability to identify
connections across highly different domains, both of which are seen as major
drivers of human creativity.
- Abstract(参考訳): 簡単なタスクを自動化するためのディープラーニング(DL)の可能性はすでによく研究されているが、最近の研究は、完全な人工物作成と創造プロセスにおける人のサポートの両方のために、Deep Learningを用いた創造的デザインの研究を開始した。
本稿では,文献レビューで特定された創造的領域における生成的深層学習の現在の応用を概念化し,評価するために,計算的創造性からの洞察を用いる。
我々は、現在のシステムと人間の創造性の異なるモデルとそれらの欠点の類似点を強調している。
ディープラーニングは高品質画像などの高価値な結果をもたらすが、トレーニングデータや人間によって定義された概念空間に結びつくという複数の理由から、その新しさは一般的に制限される。
現在のDL法では、内部の問題表現の変更も許可されておらず、どちらも人間の創造性の主要な要因と見なされる、非常に異なるドメイン間の接続を識別する能力が欠如している。
関連論文リスト
- Can AI Be as Creative as Humans? [84.43873277557852]
理論的には、AIは人間の創造者によって生成されたデータに適切に適合できるという条件の下で、人間と同じくらい創造的になれることを証明しています。
AIの創造性に関する議論は、十分な量のデータに適合する能力の問題に縮小されている。
論文 参考訳(メタデータ) (2024-01-03T08:49:12Z) - Dual Cognitive Architecture: Incorporating Biases and Multi-Memory
Systems for Lifelong Learning [21.163070161951868]
本稿では,複数のサブシステム,暗黙的かつ明示的な知識表現,帰納的バイアス,マルチメモリシステムを含むDual Cognitive Architecture(DUCA)を紹介する。
DUCAはさまざまな設定やデータセットにまたがって改善を示し、余分な情報を必要とせずにタスクの遅延バイアスを低減している。
分散シフトが困難な場合の生涯学習手法の汎用性をさらに検証するため,ドメイン・インクリメンタル・データセットDN4ILを導入する。
論文 参考訳(メタデータ) (2023-10-17T15:24:02Z) - Exploring Perspectives on the Impact of Artificial Intelligence on the
Creativity of Knowledge Work: Beyond Mechanised Plagiarism and Stochastic
Parrots [11.104666702713793]
創造性と独創性は、オブジェクトの注目に値する、あるいは情報理論的な性質の定義にどのように抵抗するかを示します。
AIは、知識労働を物質生産から重要な統合へとシフトさせることを提案します。
論文 参考訳(メタデータ) (2023-07-20T10:26:57Z) - The Creative Frontier of Generative AI: Managing the Novelty-Usefulness
Tradeoff [0.4873362301533825]
生成人工知能(AI)システムにおける新規性と有用性の最適バランスについて検討する。
どちらの側面も過度に強調すると、幻覚や暗記のような限界に繋がる。
論文 参考訳(メタデータ) (2023-06-06T11:44:57Z) - Automatic Creativity Measurement in Scratch Programs Across Modalities [6.242018846706069]
我々は、創造性の公式な尺度の定義から、この尺度を実践的な領域に適用することまで、効率的に計算できる旅を行ないます。
我々は、人気のあるビジュアルプログラミング言語であるScratchのプロジェクトに対して、一般的な測度を適用した。
我々は、Scratchプロジェクトの創造性を予測し、人間の専門家による創造性評価に基づいてトレーニングし、評価する機械学習モデルを設計した。
論文 参考訳(メタデータ) (2022-11-07T10:43:36Z) - 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) - DeepCreativity: Measuring Creativity with Deep Learning Techniques [2.5426469613007012]
本稿では,創造性の自動評価に生成学習技術を用いる可能性について検討する。
我々は、価値、ノベルティ、サプライズによって構成される創造性の定義に基づいて、DeepCreativityという新しい尺度を導入する。
論文 参考訳(メタデータ) (2022-01-16T19:00:01Z) - WenLan 2.0: Make AI Imagine via a Multimodal Foundation Model [74.4875156387271]
我々は,膨大なマルチモーダル(視覚的・テキスト的)データを事前学習した新しい基礎モデルを開発する。
そこで本研究では,様々な下流タスクにおいて,最先端の成果が得られることを示す。
論文 参考訳(メタデータ) (2021-10-27T12:25:21Z) - Backprop-Free Reinforcement Learning with Active Neural Generative
Coding [84.11376568625353]
動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。
我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。
我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
論文 参考訳(メタデータ) (2021-07-10T19:02:27Z) - Causal Navigation by Continuous-time Neural Networks [108.84958284162857]
本研究では,連続時間ニューラルネットワークを用いた因果表現学習のための理論的,実験的枠組みを提案する。
本手法は,ドローンの視覚制御学習の文脈において,一連の複雑なタスクにおいて評価する。
論文 参考訳(メタデータ) (2021-06-15T17:45:32Z) - A Neural Dirichlet Process Mixture Model for Task-Free Continual
Learning [48.87397222244402]
タスクフリー連続学習のための拡張型アプローチを提案する。
我々のモデルは、識別的タスクと生成的タスクの両方に対してタスクフリー連続学習を成功させる。
論文 参考訳(メタデータ) (2020-01-03T02:07:31Z)
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。