論文の概要: Preference-Learning Emitters for Mixed-Initiative Quality-Diversity Algorithms

• arxiv url: http://arxiv.org/abs/2210.13839v1
• Date: Tue, 25 Oct 2022 08:45:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 14:49:27.853079
• Title: Preference-Learning Emitters for Mixed-Initiative Quality-Diversity Algorithms
• Title（参考訳）: 混合イニシアティブ品質多様性アルゴリズムのための選好学習エミッタ
• Authors: Roberto Gallotta, Kai Arulkumaran, L. B. Soros
• Abstract要約: 人間と機械が共同でアイテムを作成する混合開始的共同創造タスクにおいて、生成システムはデザイナーに複数の関連する提案を提供することが重要である。 本研究では,デザイナーの好みを学習できるエミッタを製作することで,対話型制約付きMAP-Elitesシステムによるこれらの問題に対処する。 このような好みを学習することで、設計者の意図に沿うことができ、自動的なステップを適用することで、システムインタラクション毎により多くのソリューションを生成します。
• 参考スコア（独自算出の注目度）: 0.6445605125467573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In mixed-initiative co-creation tasks, where a human and a machine jointly create items, it is valuable for the generative system to provide multiple relevant suggestions to the designer. Quality-diversity algorithms have been commonly used for this, as they can provide diverse suggestions that are representative of salient areas of the solution space, showcasing solutions with both high fitness and different properties that the designer might be interested in. Since these suggestions are what drives the search process, it is important that they provide the right inspiration for the designer, as well as not stray too far away from the search trajectory, i.e., they should be aligned with what the designer is looking for. Additionally, in most cases, many interactions with the system are required before the designer is content with a solution. In this work, we tackle both of these problems with an interactive constrained MAP-Elites system by crafting emitters that are able to learn the preferences of the designer and use them in automated hidden steps. By learning such preferences, we remain aligned with the designer's intentions, and by applying automatic steps, we generate more solutions per system interaction, giving a larger number of choices to the designer and speeding up the search process. We propose a general framework for preference-learning emitters and test it on a procedural content generation task in the video game Space Engineers. In an internal study, we show that preference-learning emitters allow users to more quickly find relevant solutions.
• Abstract（参考訳）: 人間と機械が共同でアイテムを作成する混合開始共同制作タスクでは、生成システムは設計者に複数の関連する提案を提供することが重要である。 品質の多様性のアルゴリズムは、ソリューション空間の健全な領域を表す様々な提案を提供するため、高い適合性と設計者が興味を持つかもしれない異なる特性を持つソリューションを示すため、このために一般的に使用されている。 これらの提案は検索プロセスを駆動するものであるため、デザイナーに適切なインスピレーションを与えるだけでなく、探索軌道から遠く離れないこと、すなわち、デザイナーが探しているものと一致すべきである。 加えて、ほとんどの場合、デザイナがソリューションを満足する前に、システムとの多くのインタラクションが必要になる。 本研究では,デザイナーの好みを学習し,自動で隠されたステップで使用可能なエミッタを製作することで,対話型制約付きMAP-Elitesシステムによるこれらの問題に対処する。 このような嗜好を学習することで、デザイナーの意図と一致し続け、自動ステップを適用することでシステムインタラクション毎により多くのソリューションを生成し、デザイナーにより多くの選択肢を与え、検索プロセスをスピードアップします。 選好学習エミッタのための汎用フレームワークを提案し,それをゲーム空間エンジニアの手続き的コンテンツ生成タスクでテストする。 内部研究では、嗜好学習エミッタにより、ユーザがより迅速に関連するソリューションを見つけることができることを示す。

関連論文リスト

• Survey of User Interface Design and Interaction Techniques in Generative AI Applications [79.55963742878684]
  我々は,デザイナやディベロッパの参照として使用できる,さまざまなユーザインタラクションパターンのコンペレーションを作ることを目指している。 また、生成AIアプリケーションの設計についてもっと学ぼうとする人たちの参入障壁を低くしようと努力しています。
  論文  参考訳（メタデータ） (2024-10-28T23:10:06Z)
• Deep Generative Model for Mechanical System Configuration Design [3.2194137462952126]
  本稿では,設計問題に対するコンポーネントとインターフェースの最適な組み合わせを予測するための,深い生成モデルを提案する。 次に、GearFormerというデータセットを使ってTransformerをトレーニングします。 GearFormerは、特定の設計要件を満たすという点で、独自の検索方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-09-09T19:15:45Z)
• A Design Space for Intelligent and Interactive Writing Assistants [55.9780345526642]
  タスク、ユーザ、テクノロジ、インタラクション、エコシステムの5つの側面について調べる。 各側面において、115の論文を体系的にレビューすることで、次元(アスペクトの基本成分)と符号(各次元の潜在的なオプション)を定義する。 私たちのデザインスペースは、研究者やデザイナーに、アシスタントを書く様々な可能性について、ナビゲートし、理解し、比較するための実用的なツールを提供することを目的としています。
  論文  参考訳（メタデータ） (2024-03-21T04:03:16Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Machine Learning-Based Multi-Objective Design Exploration Of Flexible Disc Elements [1.5638419778920147]
  本稿では,ANNアーキテクチャを工学設計問題に適用し,改良された設計ソリューションの探索と同定を行う。 本研究の問題点は、ディスク結合に使用されるフレキシブルディスク素子の設計である。 この目的を達成するために、ANNと遺伝的アルゴリズムを組み合わせて設計探索を行い、指定された基準を満たす設計を同定する。
  論文  参考訳（メタデータ） (2023-04-14T16:48:51Z)
• ChatGPT and Other Large Language Models as Evolutionary Engines for Online Interactive Collaborative Game Design [0.0]
  対話型進化と大規模言語モデルを組み合わせた協調型ゲームデザインフレームワークを提案する。 我々のフレームワークでは、プロセスは短い設計と一連の候補設計から始まり、言語モデルを使って生成されたり、ユーザによって提案されたりする。 次に、ユーザは、最も有望なデザインを選択し、再結合し、変更するインタラクティブな遺伝的アルゴリズムにフィードバックを提供することで、デザインプロセスに協力する。
  論文  参考訳（メタデータ） (2023-02-09T15:44:43Z)
• LayoutDETR: Detection Transformer Is a Good Multimodal Layout Designer [80.61492265221817]
  グラフィックレイアウトデザインは視覚コミュニケーションにおいて重要な役割を担っている。 しかし、手作りのレイアウトデザインは、スキルを要求し、時間がかかり、バッチプロダクションではスケールできない。 ジェネレーティブモデルは、設計自動化をスケーラブルにするために出現するが、デザイナの欲求に沿うデザインを作成することは、未だに容易ではない。
  論文  参考訳（メタデータ） (2022-12-19T21:57:35Z)
• Investigating Positive and Negative Qualities of Human-in-the-Loop Optimization for Designing Interaction Techniques [55.492211642128446]
  設計者は、与えられた目的の集合を最大化する設計パラメータの組み合わせを見つけるよう求められる設計最適化タスクに苦労すると言われている。 モデルベースの計算設計アルゴリズムは、設計中に設計例を生成することでデザイナを支援する。 一方、補助のためのブラックボックスメソッドは、あらゆる設計問題に対処できる。
  論文  参考訳（メタデータ） (2022-04-15T20:40:43Z)
• Sequential Gallery for Interactive Visual Design Optimization [51.52002870143971]
  本稿では,適切なパラメータ集合を効率的に見つけることができるループ最適化手法を提案する。 また、アダプティブグリッドビューに配置された2次元部分空間にオプションを提供するギャラリーベースのインタフェースも提案する。 合成関数を用いた実験により, 逐次平面探索は, ベースラインよりも少ないイテレーションで満足な解を見出すことができた。
  論文  参考訳（メタデータ） (2020-05-08T15:24:35Z)
• Computational Design with Crowds [34.76077954140923]
  計算設計は、計算技術を用いて設計プロセスをサポートし、自動化することを目的としている。 有望なアプローチの1つは、人間の計算、すなわち、人間の入力をプロセスに組み込むことである。 本稿では,パラメータ処理系の領域における群集との計算設計について論じる。
  論文  参考訳（メタデータ） (2020-02-20T10:40:13Z)

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。