論文の概要: Scaffolding Recursive Divergence and Convergence in Story Ideation

• arxiv url: http://arxiv.org/abs/2507.03307v1
• Date: Fri, 04 Jul 2025 05:25:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.668825
• Title: Scaffolding Recursive Divergence and Convergence in Story Ideation
• Title（参考訳）: ストーリー思考における再帰的多様性と収束の共有
• Authors: Taewook Kim, Matthew Kay, Yuqian Sun, Melissa Roemmele, Max Kreminski, John Joon Young Chung,
• Abstract要約: RevergerはAIを活用したクリエイティビティ支援ツール(CST)で、ユーザーがストーリーを変更するための概念的な方向のバリエーションを想像するのに役立つ。 分散のために、ユーザは調査対象の高レベルな方向を収集し、それらを具体的なバリエーションに合成することができる。 収束のために、ユーザは調査対象の高レベルな方向を収集し、それらを具体的なバリエーションに合成することができる。
• 参考スコア（独自算出の注目度）: 19.650585665200254
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Human creative ideation involves both exploration of diverse ideas (divergence) and selective synthesis of explored ideas into coherent combinations (convergence). While processes of divergence and convergence are often interleaved and nested, existing AI-powered creativity support tools (CSTs) lack support for sophisticated orchestration of divergence and convergence. We present Reverger, an AI-powered CST that helps users ideate variations of conceptual directions for modifying a story by scaffolding flexible iteration between divergence and convergence. For divergence, our tool enables recursive exploration of alternative high-level directions for modifying a specific part of the original story. For convergence, it allows users to collect explored high-level directions and synthesize them into concrete variations. Users can then iterate between divergence and convergence until they find a satisfactory outcome. A within-subject study revealed that Reverger permitted participants to explore more unexpected and diverse high-level directions than a comparable baseline. Reverger users also felt that they had more fine-grained control and discovered more effort-worthy outcomes.
• Abstract（参考訳）: 人間の創造的観念は、多様なアイデア(分岐)の探索と、探索されたアイデアをコヒーレントな組み合わせ(収束)に選択的に合成することの両方を含む。 分散と収束のプロセスは、しばしばインターリーブされ、ネストされるが、既存のAI駆動の創造性支援ツール(CST)は、分散と収束の高度なオーケストレーションのサポートを欠いている。 我々は、AIを利用したCSTであるRevergerを紹介します。これは、違いと収束の間の柔軟なイテレーションを足場にすることで、ストーリーを変更するための概念的な方向のバリエーションをユーザーが考えるのに役立つ。 分散化のために,本ツールは,オリジナルストーリーの特定の部分を変更するための,代替の高次方向の再帰的な探索を可能にする。 収束のために、ユーザは調査対象の高レベルな方向を収集し、それらを具体的なバリエーションに合成することができる。 ユーザは、十分な結果が見つかるまで、分散と収束を繰り返すことができる。 対象内調査では、Revergerは参加者に対して、同等のベースラインよりも予想外の多様なハイレベルな方向を探索することを可能にした。 Revergerのユーザーは、よりきめ細かいコントロールを持ち、より努力に値する結果を発見したと感じた。

関連論文リスト

• Few-Shot, No Problem: Descriptive Continual Relation Extraction [27.296604792388646]
  AIシステムが現実世界のドメインにおける進化する関係を識別し、適応できるようにする上で、わずかなショットの連続関係抽出は重要な課題である。 従来のメモリベースのアプローチは、しばしば限られたサンプルに過度に適合し、古い知識の強化に失敗する。 本稿では,関係関係記述を生成するために,大規模言語モデルから始まる新しい検索ベースソリューションを提案する。
  論文  参考訳（メタデータ） (2025-02-27T23:44:30Z)
• Cantor: Inspiring Multimodal Chain-of-Thought of MLLM [83.6663322930814]
  視覚的コンテキスト獲得と論理的推論の集約は、視覚的推論タスクに取り組む上で重要であると我々は主張する。 我々はCantorと呼ばれる革新的なマルチモーダルCoTフレームワークを提案し、その特徴は知覚決定アーキテクチャである。 提案手法の有効性を実証し,マルチモーダルCoT性能の大幅な向上を示した。
  論文  参考訳（メタデータ） (2024-04-24T17:59:48Z)
• VOLTA: Improving Generative Diversity by Variational Mutual Information Maximizing Autoencoder [38.35049378875308]
  VOLTAは,VAEでトランスフォーマーをブリッジすることで,遺伝子多様性を高めるフレームワークである。 6つのデータセット上で2種類のトランスフォーマーを用いた総合的な実験を行い、生成品質を維持しながら生成の多様性を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-07-03T08:45:42Z)
• Visual Chain of Thought: Bridging Logical Gaps with Multimodal Infillings [61.04460792203266]
  本稿では, 逐次データ内の論理的ギャップを埋めるために, 視覚言語による接地を促進させる, チェーン・オブ・シントを利用する新しい手法であるVCoTを紹介する。 本手法は,下流タスクの論理的ギャップを低減するために,一貫した情報と新しい情報を加える合成マルチモーダル埋め込みを生成するために視覚誘導を用いる。
  論文  参考訳（メタデータ） (2023-05-03T17:58:29Z)
• Combining Reconstruction and Contrastive Methods for Multimodal Representations in RL [16.792949555151978]
  再構成や対照的な損失を用いた自己教師型表現の学習は、画像ベース・マルチモーダル強化学習(RL)の性能とサンプルの複雑さを向上させる ここでは、異なる自己教師付き損失関数は、基礎となるセンサのモジュラリティの情報密度によって異なる利点と制限を有する。 コントラスト的再構成集約表現学習(CoRAL)を提案する。このフレームワークは,各センサのモダリティに対して,最も適切な自己管理的損失を選択することができる。
  論文  参考訳（メタデータ） (2023-02-10T15:57:20Z)
• Going Beyond Approximation: Encoding Constraints for Explainable Multi-hop Inference via Differentiable Combinatorial Solvers [4.726777092009554]
  線形プログラミング(ILP)は、自然言語による説明可能なマルチホップ推論について、明示的で制御可能な仮定を符号化する実行可能なメカニズムを提供する。 ILPの定式化は微分不可能であり、より広範なディープラーニングアーキテクチャに統合することはできない。 Diff-Comb Explainerは、微分不可能なソルバ、トランスフォーマー、および既存の微分可能制約ベースのマルチホップ推論フレームワークの精度と説明性を改善する。
  論文  参考訳（メタデータ） (2022-08-05T18:07:53Z)
• Heterogeneous Target Speech Separation [52.05046029743995]
  我々は,非相互排他的概念を用いて興味のあるソースを区別できる単一チャネルターゲットソース分離のための新しいパラダイムを提案する。 提案する異種分離フレームワークは,分散シフトが大きいデータセットをシームレスに利用することができる。
  論文  参考訳（メタデータ） (2022-04-07T17:14:20Z)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)
• Generalized Adversarially Learned Inference [42.40405470084505]
  我々は、画像生成器とエンコーダを逆向きにトレーニングし、画像と潜時ベクトル対の2つの結合分布を一致させることにより、GAN内の潜時変数を推定する方法を開発した。 我々は、望まれるソリューションに関する事前または学習知識に基づいて、再構築、自己監督、その他の形式の監督に関する複数のフィードバック層を組み込んだ。
  論文  参考訳（メタデータ） (2020-06-15T02:18:13Z)

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。