論文の概要: Seeking the Unfamiliar but Memorable: Conceptual Creativity as Meta-Learning

• arxiv url: http://arxiv.org/abs/2605.16477v1
• Date: Fri, 15 May 2026 16:09:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.506824
• Title: Seeking the Unfamiliar but Memorable: Conceptual Creativity as Meta-Learning
• Title（参考訳）: 不慣れだが記憶に残るものを探る:メタラーニングとしての概念的創造性
• Authors: Mengye Ren,
• Abstract要約: 創造性は,適応的な観察者にとって一目で見慣れない刺激を生み出すことを提案する。 我々はこれをCreator-Appraiserペアとして形式化し、Creatorは候補を生成し、Appraiserはいくつかの内部ループ学習ステップに適応する。 我々は、このフレームワークをクリエーターとして拡散させ、MNIST上のオートエンコーダ評価器と、自然画像用の低ランクアダプタを備えたCLIP評価器でインスタンス化する。
• 参考スコア（独自算出の注目度）: 12.294603504762415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: What does it mean to create a new concept, rather than retrieve a familiar one? Repeatedly sampling a generative model at the same prompt produces variations with similar styles and typical content. We propose that creativity is the production of stimuli that are unfamiliar to an adaptive observer at first sight, but quickly learnable from a few exposures. We formalize this as a Creator-Appraiser pair: a Creator generates a candidate, an Appraiser adapts to it for a few inner-loop learning steps, and the Appraiser's improvement becomes the reward the Creator optimizes through. We instantiate the framework with diffusion as the Creator, an autoencoder Appraiser on MNIST, and a CLIP Appraiser with a low-rank adapter for natural images. The diffusion model remains frozen with no additional language conditioning; the meta-learning gradient is enough to produce both stylistic variations and concept compositions that the base model does not generate on its own.
• Abstract（参考訳）: 慣れ親しんだ概念を回収するのではなく、新しい概念を作るということは何を意味するのだろうか? 繰り返し、生成モデルを同時にサンプリングすると、類似したスタイルや典型的な内容のバリエーションが生成される。 創造性は、適応的な観察者にとって一目で見慣れない刺激を生成できるが、いくつかの露出からすぐに学習できるものである、と提案する。 クリエータは候補を生成し、Appraiserはいくつかの内部ループ学習ステップに適応し、Appraiserの改善は、クリエータが最適化する報酬となる。 我々は、このフレームワークをクリエーターとして拡散させ、MNIST上のオートエンコーダ評価器と、自然画像用の低ランクアダプタを備えたCLIP評価器でインスタンス化する。 メタラーニング勾配は、ベースモデルがそれ自身で生成しないスタイル的バリエーションと概念構成の両方を生成するのに十分である。

関連論文リスト

• CreativeBench: Benchmarking and Enhancing Machine Creativity via Self-Evolving Challenges [69.3795501613098]
  コード生成における機械の創造性を評価するベンチマークであるCreativeBenchを紹介します。 CreativeBenchは、創造性と幻覚を、品質とノベルティの産物として定義された統一された計量によって客観的に区別する。 進化的探索パターンを内部化し,機械の創造性を継続的に向上する,プラグアンドプレイ型推論時ステアリング戦略であるEvoRePEを提案する。
  論文  参考訳（メタデータ） (2026-03-12T12:36:56Z)
• CREATE: Testing LLMs for Associative Creativity [51.64544603712446]
  創造的連想的推論のためのモデルの能力を評価するためのベンチマークであるCREATEを紹介する。 最強のモデルが他のモデルよりも高い創造性を達成することを示す。 私たちの結果は、高いトークン予算であっても、思考モデルがタスクに対してより効果的であるとは限らないことを示しています。
  論文  参考訳（メタデータ） (2026-03-10T17:58:44Z)
• Self-Evaluation Unlocks Any-Step Text-to-Image Generation [65.7088507945307]
  本稿では,テキスト・画像生成のための自己評価モデル(Self-E)について紹介する。 Self-Eは、フローマッチングモデルと同様のデータから学習し、同時に新しい自己評価メカニズムを使用する。 大規模なテキストと画像のベンチマークの実験では、Self-Eは数ステップの世代で優れているだけでなく、50ステップで最先端のFlow Matchingモデルと競合している。
  論文  参考訳（メタデータ） (2025-12-26T20:42:11Z)
• CREward: A Type-Specific Creativity Reward Model [23.62496736021293]
  CREwardは3つの創造性軸、幾何学、素材、テクスチャにまたがるタイプ固有の創造性報酬モデルである。 大規模視覚言語モデル(LVLM)による人間の判断と予測の相関分析 創造性評価,説明可能な創造性,創造的サンプル取得の3つの応用を,人間のデザインインスピレーションと,低ランク適応による創造的生成の導出の両面から検討する。
  論文  参考訳（メタデータ） (2025-11-25T07:00:42Z)
• VLM-Guided Adaptive Negative Prompting for Creative Generation [21.534474554320823]
  創造的生成(Creative generation)とは、ユーザの意図を反映する新しい、驚き、価値あるサンプルを事前に想像できない形で合成することである。 本稿では,VLM-Guided Adaptive Negative-Promptingを提案する。 創造的ノベルティにおいて,計算オーバーヘッドの無視による一貫した向上を示す。
  論文  参考訳（メタデータ） (2025-10-12T17:34:59Z)
• Cooking Up Creativity: Enhancing LLM Creativity through Structured Recombination [46.79423188943526]
  本稿では,LLM(Large Language Models)の創造性を高める新しいアプローチを提案する。 自然言語と構造化表現の翻訳にLLMを適用し,その中心となる創造的飛躍を行う。 我々は、創造的なレシピを生成するモデルであるDishCOVERを用いて、料理分野における我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2025-04-29T11:13:06Z)
• Redefining <Creative> in Dictionary: Towards an Enhanced Semantic Understanding of Creative Generation [39.93527514513576]
  Creative'' は人間と拡散モデルの両方にとって本質的に抽象的な概念である。 現在の手法は、創造的な効果を達成するために参照プロンプトやイメージに大きく依存している。 CreTokを紹介します。これは、新しいトークンであるtexttCreTok>として、創造性を再定義することで、拡散モデルにメタ創造性をもたらすものです。 コードはhttps://github.com/fu-feng/CreTok.comで公開される。
  論文  参考訳（メタデータ） (2024-10-31T17:19:03Z)
• A New Creative Generation Pipeline for Click-Through Rate with Stable Diffusion Model [8.945197427679924]
  従来のAIベースのアプローチは、デザイナーからの美的知識を限定しながら、ユーザー情報を考慮しないという同じ問題に直面している。 結果を最適化するために、従来の方法で生成されたクリエイティブは、クリエイティブランキングモデルと呼ばれる別のモジュールによってランク付けされる。 本稿では,クリエイティビティ生成段階においてCTRを改善することを目的とした,Click-Through Rate (CG4CTR) のための新しいCreative Generationパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-01-17T03:27:39Z)
• DreamCreature: Crafting Photorealistic Virtual Creatures from Imagination [140.1641573781066]
  ターゲット概念のラベルなしイメージのセットを前提として、我々は、新しいハイブリッド概念を創出できるT2Iモデルをトレーニングすることを目指している。 そこで我々はDreamCreatureと呼ばれる新しい手法を提案し,その基盤となるサブ概念を同定し抽出する。 したがって、T2Iは忠実な構造とフォトリアリスティックな外観を持つ新しい概念を生成するのに適応する。
  論文  参考訳（メタデータ） (2023-11-27T01:24:31Z)
• ConceptLab: Creative Concept Generation using VLM-Guided Diffusion Prior Constraints [56.824187892204314]
  我々は創造的なテキスト・画像生成の課題を提示し、幅広いカテゴリの新しいメンバーを創り出そうとする。 本稿では, 先行拡散の出力空間上での最適化プロセスとして, 創造的生成問題を定式化できることを示す。 我々は、最適化問題に新たな制約を適応的に付加する質問応答型視覚言語モデル(VLM)を導入し、よりユニークな生成物を発見するようモデルに促す。
  論文  参考訳（メタデータ） (2023-08-03T17:04:41Z)

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。