論文の概要: Automating Generative Deep Learning for Artistic Purposes: Challenges and Opportunities

• arxiv url: http://arxiv.org/abs/2107.01858v1
• Date: Mon, 5 Jul 2021 08:26:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-06 20:03:56.722688
• Title: Automating Generative Deep Learning for Artistic Purposes: Challenges and Opportunities
• Title（参考訳）: 芸術的目的のための生成的深層学習の自動化:課題と機会
• Authors: Sebastian Berns, Terence Broad, Christian Guckelsberger and Simon Colton
• Abstract要約: 本稿では,芸術的応用に特化して生成的深層学習を自動化する枠組みを提案する。 このフレームワークは、自動化のターゲットとして、創造的な責任を生成システムに渡す機会を提供する。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a framework for automating generative deep learning with a specific focus on artistic applications. The framework provides opportunities to hand over creative responsibilities to a generative system as targets for automation. For the definition of targets, we adopt core concepts from automated machine learning and an analysis of generative deep learning pipelines, both in standard and artistic settings. To motivate the framework, we argue that automation aligns well with the goal of increasing the creative responsibility of a generative system, a central theme in computational creativity research. We understand automation as the challenge of granting a generative system more creative autonomy, by framing the interaction between the user and the system as a co-creative process. The development of the framework is informed by our analysis of the relationship between automation and creative autonomy. An illustrative example shows how the framework can give inspiration and guidance in the process of handing over creative responsibility.
• Abstract（参考訳）: 本稿では,芸術的応用に特化して生成的深層学習を自動化する枠組みを提案する。 このフレームワークは、自動化のターゲットとして、創造的な責任を生成システムに渡す機会を提供する。 ターゲットの定義には、自動化機械学習のコアコンセプトと、標準設定と芸術設定の両方で生成的なディープラーニングパイプラインの分析を採用します。 フレームワークのモチベーションを高めるために、我々は、自動化は生成システムの創造的責任を高めるという目標、すなわち計算的創造性研究の中心的なテーマとよく一致していると論じる。 我々は,共同創造プロセスとしてユーザとシステム間のインタラクションをフレーミングすることにより,生成システムに対してより創造的な自律性を与えるという課題として,オートメーションを理解する。 フレームワークの開発は、自動化と創造的自律性の関係の分析によって通知されます。 実証的な例は、創造的な責任を委譲するプロセスにおいて、フレームワークがインスピレーションとガイダンスを与える方法を示している。

関連論文リスト

• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [71.29136011057034]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• A Graphical Modeling Language for Artificial Intelligence Applications in Automation Systems [69.50862982117127]
  学際的なグラフィカルモデリング言語で、すべての分野に理解可能なシステムとして、AIアプリケーションのモデリングを可能にすることは、まだ存在しない。 本稿では,システムレベルでの自動化システムにおけるAIアプリケーションの一貫した,理解可能なモデリングを可能にするグラフィカルモデリング言語を提案する。
  論文  参考訳（メタデータ） (2023-06-20T12:06:41Z)
• Designing Participatory AI: Creative Professionals' Worries and Expectations about Generative AI [8.379286663107845]
  生成AI(英: Generative AI)とは、テキストのプロンプトに基づいて視覚的または書き起こされたコンテンツを自動生成する一連の技術で、複雑さが飛躍的に増加し、わずか数年で広く利用できるようになる技術である。 本稿では,創造的プロフェッショナルが生成AIをどのように考えるかに関する質的研究の結果を報告する。
  論文  参考訳（メタデータ） (2023-03-15T20:57:03Z)
• World Models and Predictive Coding for Cognitive and Developmental Robotics: Frontiers and Challenges [51.92834011423463]
  我々は世界モデルと予測符号化の2つの概念に焦点を当てる。 神経科学において、予測符号化は、脳がその入力を継続的に予測し、その環境における自身のダイナミクスと制御行動のモデル化に適応するように提案する。
  論文  参考訳（メタデータ） (2023-01-14T06:38:14Z)
• Autonomous Open-Ended Learning of Tasks with Non-Stationary Interdependencies [64.0476282000118]
  固有のモチベーションは、目標間のトレーニング時間を適切に割り当てるタスクに依存しないシグナルを生成することが証明されている。 内在的に動機付けられたオープンエンドラーニングの分野におけるほとんどの研究は、目標が互いに独立しているシナリオに焦点を当てているが、相互依存タスクの自律的な獲得を研究するのはごくわずかである。 特に,タスク間の関係に関する情報をアーキテクチャのより高レベルなレベルで組み込むことの重要性を示す。 そして、自律的に取得したシーケンスを格納する新しい学習層を追加することで、前者を拡張する新しいシステムであるH-GRAILを紹介する。
  論文  参考訳（メタデータ） (2022-05-16T10:43:01Z)
• OG-SGG: Ontology-Guided Scene Graph Generation. A Case Study in Transfer Learning for Telepresence Robotics [124.08684545010664]
  画像からのシーングラフ生成は、ロボット工学のようなアプリケーションに非常に関心を持つタスクである。 オントロジー誘導シーングラフ生成(OG-SGG)と呼ばれるフレームワークの初期近似を提案する。
  論文  参考訳（メタデータ） (2022-02-21T13:23:15Z)
• An Automated Robotic Arm: A Machine Learning Approach [0.0]
  現代の産業は、手動によるシステムの制御から自動化へと急速にシフトしている。 コンピュータベースのシステムは、品質と生産性を向上させることができるが、作業には柔軟性がない。 工業的重要性の1つは、ある場所から別の場所へ物を選んで配置することである。
  論文  参考訳（メタデータ） (2022-01-07T10:33:01Z)
• REAL-X -- Robot open-Ended Autonomous Learning Architectures: Achieving Truly End-to-End Sensorimotor Autonomous Learning Systems [0.0]
  先程提案されたREALコンペティションによる課題について検討する。 本稿では,ベンチマークの異なるバージョンを解くことができるREAL-Xロボットアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-27T18:12:06Z)
• A Development Cycle for Automated Self-Exploration of Robot Behaviors [4.449139319395159]
  Q-Rockは、自動的な自己探索とロボットの振る舞いの資格のための開発サイクルである。 Q-Rockは、ロボットシステムの設計における複雑さの増加に対応するために、いくつかの機械学習と推論技術を組み合わせている。
  論文  参考訳（メタデータ） (2020-07-29T16:01:52Z)
• Artificial Intelligence in the Creative Industries: A Review [2.657505380055164]
  本稿では,創造産業の文脈における人工知能(AI)技術と応用の現状を概観する。 私たちはクリエイティブなアプリケーションを、AIテクノロジの使用方法に関連する5つのグループに分類します。 これらの分野において、この急速に進歩する技術の成功と限界について検討する。
  論文  参考訳（メタデータ） (2020-07-24T07:29:52Z)
• Distributed and Democratized Learning: Philosophy and Research Challenges [80.39805582015133]
  民主化学習(Dem-AI)という新しいデザイン哲学を提案する。 ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。 本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
  論文  参考訳（メタデータ） (2020-03-18T08:45:10Z)

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。