論文の概要: Towards creativity characterization of generative models via group-based subset scanning

• arxiv url: http://arxiv.org/abs/2104.00479v1
• Date: Thu, 1 Apr 2021 14:07:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-02 13:54:01.266568
• Title: Towards creativity characterization of generative models via group-based subset scanning
• Title（参考訳）: グループベースサブセットスキャンによる生成モデルの創造性評価
• Authors: Celia Cintas, Payel Das, Brian Quanz, Skyler Speakman, Victor Akinwande, Pin-Yu Chen
• Abstract要約: 創造的プロセスを定量化し,検出し,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、データセットをまたいだ通常または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。
• 参考スコア（独自算出の注目度）: 51.84144826134919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models, such as Variational Autoencoders (VAEs), have been employed widely in computational creativity research. However, such models discourage out-of-distribution generation to avoid spurious sample generation, limiting their creativity. Thus, incorporating research on human creativity into generative deep learning techniques presents an opportunity to make their outputs more compelling and human-like. As we see the emergence of generative models directed to creativity research, a need for machine learning-based surrogate metrics to characterize creative output from these models is imperative. We propose group-based subset scanning to quantify, detect, and characterize creative processes by detecting a subset of anomalous node-activations in the hidden layers of generative models. Our experiments on original, typically decoded, and "creatively decoded" (Das et al 2020) image datasets reveal that the proposed subset scores distribution is more useful for detecting creative processes in the activation space rather than the pixel space. Further, we found that creative samples generate larger subsets of anomalies than normal or non-creative samples across datasets. The node activations highlighted during the creative decoding process are different from those responsible for normal sample generation.
• Abstract（参考訳）: 変分オートエンコーダ(VAE)のような深い生成モデルは、計算創造性の研究に広く用いられている。 しかし、そのようなモデルは、散在的生成を妨げ、散発的なサンプル生成を回避し、創造性を制限している。 このように、人間の創造性の研究を生成的深層学習技術に取り入れることで、アウトプットをより魅力的で人間らしくする機会が得られる。 創造性研究に向けた生成モデルの出現を見る限り、これらのモデルから創造的なアウトプットを特徴づける機械学習ベースのサロゲートメトリクスの必要性は不可欠である。 生成モデルの隠れ層における異常なノードアクティベーションのサブセットを検出し,創造プロセスを定量化し,検出し,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。 オリジナル、典型的にはデコードされ、「創造的にデコードされた」(das et al 2020)画像データセットを用いた実験により、提案するサブセットスコア分布は、画素空間よりも活性化空間における創造的プロセスの検出に有用であることが判明した。 さらに, 創造的なサンプルは, 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部分を生成することがわかった。 創造的復号プロセスで強調されるノードアクティベーションは、通常のサンプル生成に責任を持つものとは異なる。

関連論文リスト

• Creativity Has Left the Chat: The Price of Debiasing Language Models [1.223779595809275]
  大規模言語モデル(LLM)の創造性に対する人間からのフィードバックからの強化学習の意図しない結果について検討する。 我々の発見は、コピーライティング、広告作成、顧客ペルソナ生成といったクリエイティブなタスクにLLMを頼っているマーケターにとって大きな意味を持つ。
  論文  参考訳（メタデータ） (2024-06-08T22:14:51Z)
• Creative Beam Search: LLM-as-a-Judge For Improving Response Generation [2.4555276449137042]
  本稿では, 応答生成と応答検証を行うために, 横ビームサーチとLCM-as-a-Judgeを用いたCreative Beam Searchを提案する。 定性的実験の結果は,本手法が標準サンプリング手法よりも優れた出力を提供できることを示す。
  論文  参考訳（メタデータ） (2024-04-30T18:00:02Z)
• Generative Active Learning for Image Synthesis Personalization [57.01364199734464]
  本稿では,伝統的に識別モデルを用いて研究されてきた能動的学習の生成モデルへの応用について検討する。 生成モデル上でアクティブな学習を行う上での最大の課題は、クエリのオープンな性質にある。 問合せ処理を半開問題に変換するために,アンカー方向の概念を導入する。
  論文  参考訳（メタデータ） (2024-03-22T06:45:45Z)
• 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)
• Regularising Inverse Problems with Generative Machine Learning Models [9.971351129098336]
  逆問題に対する変分正規化手法における生成モデルの利用を検討する。 生成正規化の成功は生成モデルの品質に依存する。 生成モデルの能力に大きく依存することから, 生成器の精度に制限された解が, 生成器の精度に大きく依存していることが示唆された。
  論文  参考訳（メタデータ） (2021-07-22T15:47:36Z)
• Active Divergence with Generative Deep Learning -- A Survey and Taxonomy [0.6435984242701043]
  本報告では, 能動発散技術の現状について, 分類学および包括的調査を行う。 我々は、計算創造性研究者がこれらの手法を進歩させ、真に創造的なシステムで深層生成モデルを使用する可能性を強調した。
  論文  参考訳（メタデータ） (2021-07-12T17:29:28Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)
• Reverse Engineering Configurations of Neural Text Generation Models [86.9479386959155]
  モデル選択の結果、機械が生成したテキストに現れるアーティファクトの研究は、新しい研究領域である。 我々は、モデリング選択が検出可能なアーティファクトを生成テキストに残すかどうかを確認するために、広範囲な診断テストを実行する。 我々の重要な発見は、厳密な実験によって裏付けられ、そのような成果物が存在することと、生成されたテキストのみを観察することで異なるモデリング選択を推測できることである。
  論文  参考訳（メタデータ） (2020-04-13T21:02:44Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。