論文の概要: Predictive Prototyping: Evaluating Design Concepts with ChatGPT

• arxiv url: http://arxiv.org/abs/2601.12276v2
• Date: Wed, 21 Jan 2026 03:54:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 14:57:00.073588
• Title: Predictive Prototyping: Evaluating Design Concepts with ChatGPT
• Title（参考訳）: 予測プロトタイピング:ChatGPTによる設計概念の評価
• Authors: Hilsann Yong, Bradley A. Camburn,
• Abstract要約: 本稿では、生成事前学習変換器(GPT)がプロトタイピングによって得られる情報を予測できるかどうかを検討する。 OpenAI GPT-4o を用いた設計フィードバックをエミュレートするための検索拡張生成(RAG)手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design-build-test cycle is essential for innovation, but physical prototyping is often slow and expensive. Although physics-based simulation and strategic prototyping can reduce cost, meaningful evaluation is frequently constrained until an integrated prototype is built. This paper investigates whether a generative pretrained transformer (GPT) can predict information typically obtained through prototyping, including cost, performance, and perceived usability. We introduce a retrieval-augmented generation (RAG) method to emulate design feedback using OpenAI GPT-4o, grounded in prototyping data scraped from Instructables.com to increase access to relevant precedent. Two studies are reported. First, a controlled experiment compares GPT-RAG and human designers, who receive design sketches and predict cost, performance, and usability; predictions are evaluated against ground-truth results from physical prototypes. Second, we report an applied demonstration in which a physical prototype is produced from GPT-RAG recommendations and compared with a commercial baseline and a topology-optimized design. Results show that GPT-RAG provides more accurate cost and performance estimates than individual or crowd human estimates, while yielding comparable usability insights; the GPT-RAG-informed prototype also outperforms both comparison prototypes. Repeated querying with response averaging significantly improves accuracy, suggesting that LLMs can emulate crowd aggregation effects consistent with the law of large numbers.
• Abstract（参考訳）: 設計-ビルド-テストのサイクルはイノベーションには不可欠ですが、物理的なプロトタイピングは遅くて高価です。 物理に基づくシミュレーションと戦略的プロトタイピングはコストを削減できるが、統合されたプロトタイプが構築されるまで有意義な評価が頻繁に行われる。 本稿では、生成事前学習型トランスフォーマー(GPT)が、コスト、性能、ユーザビリティなどのプロトタイピングによって得られる情報を予測できるかどうかを検討する。 Instructables.com から抽出したプロトタイピングデータに基づいて,OpenAI GPT-4o を用いて設計フィードバックをエミュレートする検索拡張生成(RAG)手法を提案する。 2つの研究が報告されている。 まず、GPT-RAGと人体設計者を比較し、設計スケッチを受け取り、コスト、性能、ユーザビリティを予測する。 第2に, GPT-RAGレコメンデーションから物理プロトタイプを作成し, 商用ベースラインとトポロジ最適化設計との比較を行った。 その結果、GPT-RAGは、個人や群衆の見積よりも精度の高いコストと性能の見積を提供する一方で、同等のユーザビリティの洞察を与えることがわかった。 応答平均化による繰り返しクエリは精度を著しく向上させ,LLMは多数の法則に整合した集合集合効果をエミュレートすることができることを示唆している。

関連論文リスト

• Probabilistic Prototype Calibration of Vision-Language Models for Generalized Few-shot Semantic Segmentation [75.18058114915327]
  一般化されたFew-Shot Semanticnative(GFSS)は、いくつかの注釈付き例だけでセグメンテーションモデルを新しいクラスに拡張することを目的としている。 プリトレーニング済みCLIPのマルチモーダルプロトタイプ上での確率的プロトタイプ校正フレームワークであるFewCLIPを提案する。 FewCLIPはGFSSとクラスインクリメンタルセッティングの両方で最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2025-06-28T18:36:22Z)
• Efficient Prototype Consistency Learning in Medical Image Segmentation via Joint Uncertainty and Data Augmentation [32.47805202531351]
  半教師付き医療画像セグメンテーションにプロトタイプ学習が出現している。 共同不確実性定量化とデータ拡張による効率的なプロトタイプの整合性学習を提案する。 我々のフレームワークは従来の最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2025-05-22T06:25:32Z)
• GPT vs RETRO: Exploring the Intersection of Retrieval and Parameter-Efficient Fine-Tuning [48.71952325015267]
  PEFT法を改良型Retrieval-Enhanced Transformer (RETRO) およびベースラインGPTモデルに適用する。 本稿では、RETROモデルが、独自の事前学習プロセスにより、ゼロショット設定でGPTモデルより優れていることを示す。 本研究は, GPTモデルとRETROモデルの両方に適用された各種PEFT法をRAGと統合した最初の包括的比較である。
  論文  参考訳（メタデータ） (2024-07-05T14:16:47Z)
• Just Shift It: Test-Time Prototype Shifting for Zero-Shot Generalization with Vision-Language Models [19.683461002518147]
  Test-Time Prototype Shifting (TPS)は、未ラベルのテスト入力を使用したデータセットのテストに視覚言語モデルを適用するために設計された先駆的なアプローチである。 TPSは、その後の予測のために最適化不要なプロトタイプの再利用を促進するだけでなく、プロンプトエンジニアリングにおける現在の進歩とシームレスに統合することを可能にする。 我々のフレームワークの特筆すべき点は、従来のテキストプロンプトチューニング手法と比較して、メモリと計算要求が大幅に削減されていることである。
  論文  参考訳（メタデータ） (2024-03-19T17:54:34Z)
• Mixture of Gaussian-distributed Prototypes with Generative Modelling for Interpretable and Trustworthy Image Recognition [15.685927265270085]
  ガウス分布プロトタイプ(MGProto)の混合(mixture of Gaussian-Distributed Prototypes)と呼ばれるプロトタイプ分布を学習するための新しい生成パラダイムを提案する。 MGProtoは最先端の画像認識とOoD検出性能を実現し,解釈可能性の向上を実現している。
  論文  参考訳（メタデータ） (2023-11-30T11:01:37Z)
• GPT-4 Technical Report [116.90398195245983]
  GPT-4は大規模なマルチモーダルモデルであり、画像やテキストの入力を受け取り、テキスト出力を生成することができる。 試験受験者の上位10%のスコアで模擬試験に合格するなど、さまざまな専門的、学術的なベンチマークで人間レベルのパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-03-15T17:15:04Z)
• Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
  予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。 実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-10-07T02:12:34Z)
• TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
  本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。 ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-05-18T05:43:06Z)

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。