論文の概要: Curating art exhibitions using machine learning

• arxiv url: http://arxiv.org/abs/2506.19813v1
• Date: Tue, 24 Jun 2025 17:25:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.747418
• Title: Curating art exhibitions using machine learning
• Title（参考訳）: 機械学習を用いた展覧会のキュレーション
• Authors: Eurico Covas,
• Abstract要約: 本稿では,機械学習技術に基づく一連の人工モデルを提案する。 われわれは過去25年間の展覧会をニューヨークのメトロポリタン美術館で開催することに集中している。 我々の4つの人工知能モデルは、これらの様々なキュレーターを模倣する合理的な能力を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Art curatorship has always been mostly the subjective work of human experts, who, with extensive knowledge of many and diverse artworks, select a few of those to present in communal spaces, spaces that evolved into what we now call art galleries. There are no hard and fast set of rules on how to select these artworks, given a theme which either is presented to the art curator or constructed by her/him. Here we present a series of artificial models -- a total of four related models -- based on machine learning techniques (a subset of artificial intelligence) that attempt to learn from existing exhibitions which have been curated by human experts, in order to be able to do similar curatorship work. We focus exclusively on the last 25 years of past exhibitions at the Metropolitan Museum of Art in New York, due to the quality of the data available and the physical and time limitations of our research. Our four artificial intelligence models achieve a reasonable ability at imitating these various curators responsible for all those exhibitions, with various degrees of precision and curatorial coherence. In particular, we can conclude two key insights: first, that there is sufficient information in these exhibitions to construct an artificial intelligence model that replicates past exhibitions with an accuracy well above random choices; second, that using feature engineering and carefully designing the architecture of modest size models can make them as good as those using the so-called large language models such as GPT in a brute force approach. We also believe, based on small attempts to use the models in out-of-sample experiments, that given more much more data, it should be possible for these kinds of artificial intelligence agents to be closer and closer to the aesthetic and curatorial judgment of human art curators.
• Abstract（参考訳）: アート・キュレーターシップ(Art curatorship, アート・キュレーターシップ, アート・キュレーターシップ, アート・キュレーターシップ, アート・キュレーターシップ, アート・キュレーターシップ, アート・ギャラリー, アート・キュレーター, アート・キュレーター, アート・キュレーター, アート・キュレーター, アート・キュレーター, アート・キュレーター, アート・キュレーター, アート・キュレーター, アート・ギャラリー, アート・キュレーター, アート・キュレーター, アート・キュレーター, アート・キュレーター, アート・ギャラリー, アート・ギャラリー, アート・ギャラリー, アート・ギャラリー, アート・ギャラリー, アート・ギャラリー, アート・ギャラリー, アート・ギャラリー, アート・ギャラリー, アート・アート・キュレーション, アート・アート・アート・アート・アート・アート・アート)は、多岐多多多多多多多多多多多多多多多多多多多多多多多多多多多の知識の知識の知識の知識を持つ。 アートキュレーターに提示されるか、あるいは彼女/彼女によって構築されるテーマを与えられた、これらのアート作品の選択方法に関する厳格で迅速なルールは存在しない。 ここでは、人間の専門家によってキュレーションされた既存の展示から学び、同様のキュレーターシップ作業を行うために、機械学習技術(人工知能のサブセット)に基づいて、合計4つの関連するモデルからなる一連の人工モデルを紹介します。 われわれは過去25年間のニューヨークのメトロポリタン美術館での展示にのみ焦点を当てている。 我々の4つの人工知能モデルは、これらの展示に責任を負う様々なキュレーターを、様々な精度とカリキュラムコヒーレンスで模倣する合理的な能力を達成する。 特に、これらの展示には、ランダムな選択よりもはるかに高い精度で過去の展示を再現する人工知能モデルを構築するのに十分な情報がある、という2つの重要な洞察を結論付けることができる。 また、サンプル外実験でモデルを使用する小さな試みに基づいて、より多くのデータを得ることができれば、この種の人工知能エージェントが人間のアートキュレーターの審美的およびカリキュラム的判断に近づき、より近いものになるはずだと信じています。

関連論文リスト

• ArtistAuditor: Auditing Artist Style Pirate in Text-to-Image Generation Models [61.55816738318699]
  本稿では,テキスト・画像生成モデルにおける新しいデータ利用監査手法を提案する。 ArtistAuditorは、多彩なスタイルの表現を得るためにスタイル抽出器を使用し、アートワークをアーティストのスタイルのサンプリングとして扱う。 6つのモデルとデータセットの組み合わせによる実験結果は、ArtistAuditorが高いAUC値を達成可能であることを示している。
  論文  参考訳（メタデータ） (2025-04-17T16:15:38Z)
• PATCH: a deep learning method to assess heterogeneity of artistic practice in historical paintings [0.0]
  ルネサンス期と近世の絵画は、主に見習いの工房を監督する師匠によって制作された。 異なるワークショップがどのように管理され、どのようにアートワークが作られたかは明らかになっていない。
  論文  参考訳（メタデータ） (2025-02-04T01:05:12Z)
• Opt-In Art: Learning Art Styles Only from Few Examples [50.60063523054282]
  ごく少数の例を考慮すれば,絵画を使わずに訓練されたモデルを芸術的なスタイルに適応させることが可能であることを示す。 意外なことに, 芸術的データに事前に触れることなく, 高品質な芸術的アウトプットを達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-11-29T18:59:01Z)
• GalleryGPT: Analyzing Paintings with Large Multimodal Models [64.98398357569765]
  美術品の分析は、個人の審美性を豊かにし、批判的思考能力を促進することができる芸術鑑賞のための重要かつ基本的な技術である。 アートワークを自動解析する以前の作業は、主に分類、検索、その他の単純なタスクに焦点を当てており、AIの目標とは程遠い。 LLaVAアーキテクチャに基づいて微調整されたGalleryGPTと呼ばれる,絵画解析のための優れた大規模マルチモーダルモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-01T11:52:56Z)
• ArtGPT-4: Towards Artistic-understanding Large Vision-Language Models with Enhanced Adapter [19.830089364830066]
  ArtGPT-4は、芸術的理解における既存のモデルの限界に対処するために設計された大きな視覚言語モデルである。 芸術的理解で画像を描画し、それらが刺激する感情を伝え、人間の解釈を反映する。
  論文  参考訳（メタデータ） (2023-05-12T14:04:30Z)

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。