論文の概要: Conserving Human Creativity with Evolutionary Generative Algorithms: A Case Study in Music Generation
- arxiv url: http://arxiv.org/abs/2406.05873v1
- Date: Sun, 9 Jun 2024 18:11:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-11 17:38:03.673613
- Title: Conserving Human Creativity with Evolutionary Generative Algorithms: A Case Study in Music Generation
- Title（参考訳）: 進化的生成アルゴリズムによる人間の創造性を維持する:音楽生成を事例として
- Authors: Justin Kilb, Caroline Ellis,
- Abstract要約: 本研究では,音楽制作における進化的生成アルゴリズムの適用について検討し,人間の創造性を保ち,向上させる。
人間のフィードバックを微分進化アルゴリズムに組み込むことで、国際レコードレーベルに提出された6曲を制作しました。
- 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: This study explores the application of evolutionary generative algorithms in music production to preserve and enhance human creativity. By integrating human feedback into Differential Evolution algorithms, we produced six songs that were submitted to international record labels, all of which received contract offers. In addition to testing the commercial viability of these methods, this paper examines the long-term implications of content generation using traditional machine learning methods compared with evolutionary algorithms. Specifically, as current generative techniques continue to scale, the potential for computer-generated content to outpace human creation becomes likely. This trend poses a risk of exhausting the pool of human-created training data, potentially forcing generative machine learning models to increasingly depend on their random input functions for generating novel content. In contrast to a future of content generation guided by aimless random functions, our approach allows for individualized creative exploration, ensuring that computer-assisted content generation methods are human-centric and culturally relevant through time.
- Abstract（参考訳）: 本研究では,音楽制作における進化的生成アルゴリズムの適用について検討し,人間の創造性を保ち,向上させる。
人間のフィードバックを微分進化アルゴリズムに組み込むことで、国際レコードレーベルに提出された6曲を制作しました。
本稿では,これらの手法の商業的可能性をテストすることに加えて,進化的アルゴリズムと比較して,従来の機械学習手法によるコンテンツ生成の長期的影響について検討する。
特に、現在の生成技術が拡大を続けるにつれ、コンピュータ生成コンテンツが人間の創造を上回る可能性が高まっている。
この傾向は、人間の作成したトレーニングデータのプールを枯渇させ、生成機械学習モデルが新しいコンテンツを生成するためのランダムな入力機能にますます依存させてしまうリスクを生じさせる。
目的のないランダムな関数によって導かれるコンテンツ生成の未来とは対照的に、我々のアプローチは、創造的な個別化を可能にし、コンピュータ支援コンテンツ生成手法が時間を通して人間中心で文化的に関連があることを保証する。
関連論文リスト
- Generative midtended cognition and Artificial Intelligence. Thinging with thinging things [0.0]
生成中間認知(generative Midtended cognition)は、生成AIと人間の認知の統合を探求する。
生成的(generative)"という言葉は、AIが構造的出力を反復的に生成する能力を反映し、"再帰的(midtended)"はプロセスの潜在的なハイブリッド(人間-AI)の性質をキャプチャする。
論文 参考訳（メタデータ） (2024-11-11T09:14:27Z) - Measuring Human Contribution in AI-Assisted Content Generation [68.03658922067487]
本研究は,AIによるコンテンツ生成における人間の貢献度を測定する研究課題を提起する。
人間の入力とAI支援出力の自己情報に対する相互情報を計算することにより、コンテンツ生成における人間の比例情報貢献を定量化する。
論文 参考訳（メタデータ） (2024-08-27T05:56:04Z) - Artificial Generational Intelligence: Cultural Accumulation in Reinforcement Learning [5.930456214333413]
社会的学習と独立学習のバランスをとる訓練が文化的な蓄積をもたらすことを示す。
In-contextとIn-weightsの文化的な蓄積は、それぞれ知識とスキルの蓄積に類似していると解釈できる。
この研究は、強化学習における創発的な文化的蓄積を実現するための一般的なモデルを初めて提示するものである。
論文 参考訳（メタデータ） (2024-06-01T10:33:32Z) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳（メタデータ） (2023-10-14T23:28:48Z) - Using Sequences of Life-events to Predict Human Lives [16.77071145203099]
我々は、人間の生活の進化と予測可能性を調べるために、最も包括的なレジストリデータを作成している。
我々は、この埋め込み空間が堅牢で高度に構造化されていることを示す1つのベクトル空間に、ライフイベントの埋め込みを作成する。
我々のモデルは、早期死亡からパーソナリティニュアンスまで多様な結果を予測することができ、最先端のモデルよりも広いマージンで優れています。
論文 参考訳（メタデータ） (2023-06-05T16:19:48Z) - Procedural Content Generation using Neuroevolution and Novelty Search
for Diverse Video Game Levels [2.320417845168326]
手続き的に生成されたビデオゲームコンテンツは、ゲーム開発者や大手スタジオのコンテンツ制作予算を大幅に削減する可能性がある。
しかし、採用の妨げとなるのは、遅い生成や品質の低下、コンテンツの多様性といった制限だ。
進化的探索に基づく進化的探索手法を導入し,様々なレベルをリアルタイムでプロシージャ的に生成する手法を提案する。
論文 参考訳（メタデータ） (2022-04-14T12:54:32Z) - Learning Robust Real-Time Cultural Transmission without Human Data [82.05222093231566]
人工知能エージェントにおけるゼロショット、高リコール文化伝達を生成する方法を提案する。
我々のエージェントは、事前に収集された人間のデータを使わずに、新しい文脈で人間からリアルタイムの文化的伝達に成功した。
これは、人工知能を開発するアルゴリズムとしての文化進化の道を開くものである。
論文 参考訳（メタデータ） (2022-03-01T19:32:27Z) - Incorporating Music Knowledge in Continual Dataset Augmentation for
Music Generation [69.06413031969674]
Aug-Genは、リソース制約のあるドメインでトレーニングされた任意の音楽生成システムに対するデータセット拡張の方法である。
我々は、Aug-Gen をトランスフォーマーベースのコラール生成に J.S. Bach のスタイルで適用し、これによりより長いトレーニングが可能となり、より優れた生成出力が得られることを示す。
論文 参考訳（メタデータ） (2020-06-23T21:06:15Z) - A Developmental Neuro-Robotics Approach for Boosting the Recognition of
Handwritten Digits [91.3755431537592]
近年のエビデンスでは、子どもの体現戦略をシミュレーションすることで、マシンインテリジェンスも改善できることが示されている。
本稿では,発達神経ロボティクスの文脈における畳み込みニューラルネットワークモデルへの具体的戦略の適用について検討する。
論文 参考訳（メタデータ） (2020-03-23T14:55:00Z) - RL-Duet: Online Music Accompaniment Generation Using Deep Reinforcement
Learning [69.20460466735852]
本稿では,オンライン伴奏生成のための深層強化学習アルゴリズムを提案する。
提案アルゴリズムは人体に応答し,メロディック,ハーモニック,多種多様な機械部品を生成する。
論文 参考訳（メタデータ） (2020-02-08T03:53:52Z)
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。