論文の概要: Does mapping elites illuminate search spaces? A large-scale user study
of MAP--Elites applied to human--AI collaborative design
- arxiv url: http://arxiv.org/abs/2402.07911v1
- Date: Tue, 30 Jan 2024 08:54:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-18 13:41:37.246694
- Title: Does mapping elites illuminate search spaces? A large-scale user study
of MAP--Elites applied to human--AI collaborative design
- Title（参考訳）: 地図エリートは検索空間を照らすか?
MAP-Elitesの大規模ユーザ研究 : 人間-AI協調設計への応用
- Authors: Sean P. Walton, Ben J. Evans, Alma A. M. Rahat, James Stovold, Jakub
Vincalek
- Abstract要約: このツールは、仮想カーをできるだけ一定時間で走行できるように設計しようとする進化的アルゴリズムに基づいている。
参加者は自分の車を設計し、アルゴリズムに推薦し、アルゴリズムからレコメンデーションのセットを見ることができた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two studies of a human-AI collaborative design tool were carried out in order
to understand the influence design recommendations have on the design process.
The tool investigated is based on an evolutionary algorithm attempting to
design a virtual car to travel as far as possible in a fixed time. Participants
were able to design their own cars, make recommendations to the algorithm and
view sets of recommendations from the algorithm. The algorithm-recommended sets
were designs which had been previously tested; some sets were simply randomly
picked and other sets were picked using MAP-Elites. In the first study 808
design sessions were recorded as part of a science outreach program, each with
analytical data of how each participant used the tool. To provide context to
this quantitative data, a smaller double-blind lab study was also carried out
with 12 participants. In the lab study the same quantitative data from the
large scale study was collected alongside responses to interview questions.
Although there is some evidence that the MAP-Elites provide higher-quality
individual recommendations, neither study provides convincing evidence that
these recommendations have a more positive influence on the design process than
simply a random selection of designs. In fact, it seems that providing a
combination of MAP-Elites and randomly selected recommendations is beneficial
to the process. Furthermore, simply viewing recommendations from the MAP-Elites
had a positive influence on engagement in the design task and the quality of
the final design produced. Our findings are significant both for researchers
designing new mixed-initiative tools, and those who wish to evaluate existing
tools. Most significantly, we found that metrics researchers currently use to
evaluate the success of human-AI collaborative algorithms do not measure the
full influence these algorithms have on the design process.
- Abstract（参考訳）: 設計プロセスにデザイン推奨が与える影響を理解するため,人間-AI協調設計ツールの2つの研究を行った。
調査されたツールは、一定時間内に可能な限り移動するための仮想車を設計しようとする進化的アルゴリズムに基づいている。
参加者は自分の車を設計し、アルゴリズムに推薦し、アルゴリズムからレコメンデーションのセットを見ることができた。
いくつかのセットは単にランダムに選択され、他のセットはmap-eliteを使用して選択された。
最初の研究では、808の設計セッションが科学的なアウトリーチプログラムの一部として記録され、それぞれがツールの使い方を分析した。
この定量的データについて,12名の被験者を対象に,より小さな二重盲検実験を行った。
実験室では、質問に対する回答とともに、大規模な研究から得られた同じ量データを収集した。
MAP-Elitesが高品質な個人推薦を提供するという証拠はいくつかあるが、これらの勧告が単なるランダムな設計選択よりもデザインプロセスに肯定的な影響を与えるという証拠は得られていない。
実際、MAP-Elitesとランダムに選択されたレコメンデーションの組み合わせを提供することは、このプロセスに有益であるようだ。
さらに、MAP-Elitesからのリコメンデーションを単に見ることは、デザインタスクにおけるエンゲージメントと最終的なデザインの品質に肯定的な影響を及ぼした。
本研究は,新しい混合開始ツールを設計する研究者と,既存ツールの評価を希望する研究者の両方にとって重要である。
さらに,人間-AI協調アルゴリズムの成功を評価するために現在研究者が使用しているメトリクスは,これらのアルゴリズムが設計プロセスに与える影響を十分に測定していないことがわかった。
関連論文リスト
- randomHAR: Improving Ensemble Deep Learners for Human Activity
Recognition with Sensor Selection and Reinforcement Learning [4.5830802802139585]
randomHARの基本的な考え方は、ランダムに選択されたセンサーデータに基づいて、同じアーキテクチャで一連のディープラーニングモデルをトレーニングすることだ。
既存の作業とは対照的に、このアプローチは構成モデルのアーキテクチャよりもアンサンブルプロセスを最適化する。
実験により,提案手法は最先端手法であるアンサンブルLSTMよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-15T10:51:03Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳（メタデータ） (2023-04-08T14:32:12Z) - 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) - Compactness Score: A Fast Filter Method for Unsupervised Feature
Selection [66.84571085643928]
本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。
提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
論文 参考訳（メタデータ） (2022-01-31T13:01:37Z) - The Impact of Visualizing Design Gradients for Human Designers [7.976180564784953]
本稿では,パズルレベルの設計にExhaustive PCG(EPCG)を用いた混合開始ツールを提案する。
我々は、EPCGコンポーネントをオン/オフしたツールを個人が使用するオンライン人体調査を実施している。
結果から,ほとんどのユーザがツールを好まなかったものの,レベル設計プロセスが大幅に簡単になったことが示唆された。
論文 参考訳（メタデータ） (2021-10-07T05:41:09Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳（メタデータ） (2021-07-14T18:09:08Z) - An AI-Assisted Design Method for Topology Optimization Without
Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。
設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文 参考訳（メタデータ） (2020-12-11T14:33:27Z) - Evaluating Mixed-Initiative Procedural Level Design Tools using a
Triple-Blind Mixed-Method User Study [0.0]
インタラクティブな進化的最適化を用いてレベルを生成するツールを,本研究のために設計した。
このツールは、手書き地図のレベルデザインパターンを特定し、その情報を使ってインタラクティブな最適化アルゴリズムを駆動する。
複雑なイニシアティブツールを使用したデザイナの経験を、完全にランダムなレベルの提案を提供するツールを与えられたデザイナと比較した厳密なユーザスタディが設計された。
論文 参考訳（メタデータ） (2020-05-15T11:40:53Z) - Multi-Task Learning for Dense Prediction Tasks: A Survey [87.66280582034838]
マルチタスク学習(MTL)技術は、性能、計算、メモリフットプリントに関する有望な結果を示している。
我々は、コンピュータビジョンにおけるMLLのための最先端のディープラーニングアプローチについて、よく理解された視点を提供する。
論文 参考訳（メタデータ） (2020-04-28T09:15:50Z) - Application of Deep Learning in Generating Desired Design Options:
Experiments Using Synthetic Training Dataset [5.564299196293697]
本研究では,Deep Learning (DL) アルゴリズムを用いて要求された設計オプションを生成する手法を適用した。
物体認識問題は, 異なる種類の合成2次元形状からなるトレーニングデータセットに基づいて, 未知のサンプル画像のラベルを最初に予測するために検討される。
次のステップでは、空間日光自律性(sDA)メトリクスに基づいて、所望の光/影のパフォーマンスのためのウィンドウ/壁パターンを生成するようにアルゴリズムを訓練する。
論文 参考訳（メタデータ） (2019-12-28T01:26:20Z)
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。