論文の概要: Scaling Creative Writing Beyond Story-Centric Data with Attribute-Guided Genre Expansion

• arxiv url: http://arxiv.org/abs/2608.13947v1
• Date: Fri, 14 Aug 2026 04:38:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.268018
• Title: Scaling Creative Writing Beyond Story-Centric Data with Attribute-Guided Genre Expansion
• Title（参考訳）: Atribute-Guided Genre Expansionによるストーリ中心データを越えた創造的記述のスケールアップ
• Abstract要約: 本稿では,ストーリー生成以上の創造的記述データをスケールするための属性誘導型ジャンル拡張フレームワークを提案する。 ジャンル形態の制御から主題の広さを分離することにより、我々のフレームワークは、人間による物語のプロンプトを多様な創造的な種として活用する。 このフレームワークを応用して、13のクリエイティブジャンルにまたがる50KサンプルコーパスであるMulti-Genre Collectionを構築した。
• 参考スコア（独自算出の注目度）: 17.983386729864634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-quality creative writing data for large language models (LLMs) remains dominated by story-centric data, limiting models' ability to follow the structural and functional conventions of diverse creative formats. We propose an attribute-guided genre expansion framework for scaling creative writing data beyond story generation. By separating thematic breadth from genre-form control, our framework leverages human-authored story prompts as diverse creative seeds, while utilizing manually curated genre attributes to enforce distinct structural, stylistic, and formatting conventions. We combine these to prompt strong LLMs for genre-faithful query-response pairs, which are then quality-filtered. Applying this framework, we construct the Multi-Genre Collection, a 50K-example corpus spanning 13 creative genres, including story, rap, lyrics, scripts, game design, character design, and other creative formats. Experiments across out-of-distribution writing benchmarks and held-out genre diagnostics demonstrate that models fine-tuned on our data consistently surpass not only base models and writing-specialized baselines, but also models trained on existing writing corpora. Genre-count ablations further indicate that controlled genre expansion, rather than story-centric scaling alone, is a key driver of robust creative writing capability.
• Abstract（参考訳）: 大規模言語モデル(LLM)のための高品質なクリエイティブな書き込みデータは、ストーリー中心のデータによって支配され、多様なクリエイティブなフォーマットの構造的および機能的な規則に従うモデルの能力を制限している。 本稿では,ストーリー生成以上の創造的記述データをスケールするための属性誘導型ジャンル拡張フレームワークを提案する。 ジャンル形式制御から主題的幅を分離することにより,人間による物語のプロンプトを多種多様な創造的種として活用し,手作業によるジャンル特性を活用し,構造的,様式的,形式的な規則を強制する。 我々はこれらを組み合わせることで、ジャンルに富んだクエリ応答対に対して強力なLLMを誘導し、高品質なフィルタを行う。 このフレームワークを応用して、ストーリー、ラップ、歌詞、スクリプト、ゲームデザイン、キャラクターデザイン、その他のクリエイティブフォーマットを含む、13のクリエイティブジャンルにまたがる50KのサンプルコーパスであるMulti-Genre Collectionを構築した。 アウト・オブ・ディストリビューション(out-of-distriion)な書き込みベンチマークやジャンル診断による実験では、データに基づいて微調整されたモデルが、ベースモデルや書き込み特化ベースラインだけでなく、既存の書き込みコーパスに基づいてトレーニングされたモデルよりも一貫して上回っていることが示されている。 Genre-count ablationsはさらに、ストーリー中心のスケーリング単独ではなく、コントロールされたジャンル拡張が、堅牢なクリエイティブな書き込み能力の鍵となることを示唆している。

関連論文リスト

• CreAgentive: An Agent Workflow Driven Multi-Category Creative Generation Engine [4.644735042881366]
  CreAgentiveは、物語、ドラマ、その他のクリエイティブのカテゴリを書く際に、現代の大きな言語モデルの4つの重要な制限に対処する。 CreAgentiveは、ジャンルに依存しない知識グラフに基づく物語表現であるStory Prototypeを採用している。 大規模な実験では、CreAgentiveは安定した品質と低コストで何千もの章を生成する。
  論文  参考訳（メタデータ） (2025-09-30T16:12:32Z)
• WritingBench: A Comprehensive Benchmark for Generative Writing [87.48445972563631]
  writeBenchは、6つのコア書き込みドメインと100の技術的記述を含む大規模言語モデル(LLM)を評価するために設計されたベンチマークである。 本稿では、LCMがインスタンス固有の評価基準を動的に生成することを可能にするクエリ依存評価フレームワークを提案する。 このフレームワークは、基準対応スコアリングのための微調整された批評家モデルによって補完され、スタイル、フォーマット、長さの評価を可能にする。
  論文  参考訳（メタデータ） (2025-03-07T08:56:20Z)
• Agents' Room: Narrative Generation through Multi-step Collaboration [54.98886593802834]
  本稿では,物語の執筆を特殊エージェントが取り組んだサブタスクに分解する,物語理論に触発された世代フレームワークを提案する。 エージェントの部屋は,専門的評価者が好むストーリーをベースラインシステムより生成することを示す。
  論文  参考訳（メタデータ） (2024-10-03T15:44:42Z)
• A Character-Centric Creative Story Generation via Imagination [15.345466372805516]
  我々はCCI(Character-centric Creative Story Generation via Imagination)と呼ばれる新しいストーリー生成フレームワークを紹介する。 CCIは創造的ストーリー生成のための2つのモジュール、IG(Image-Guided Imagination)とMW(Multi-Writer model)を備えている。 IGモジュールでは,文字や背景,メインプロットといった重要なストーリー要素を視覚的に表現するために,テキスト・ツー・イメージモデルを利用する。 MWモジュールはこれらのストーリー要素を使用して複数のペルソナ記述候補を生成し、ストーリーに挿入する最適なストーリーを選択することにより、物語の豊かさと深さを高める。
  論文  参考訳（メタデータ） (2024-09-25T06:54:29Z)
• MoPS: Modular Story Premise Synthesis for Open-Ended Automatic Story Generation [50.01780173691132]
  モジュール・ストーリー・プリミゼ・シンセサイザー(MoPS)について紹介する。 MoPSはストーリーの前提をバックグラウンドやペルソナなどのモジュールに分割し、自動設計と生成を行う。 より詳細な評価は、我々の合成された施設が多様性、魅力、完全性、独創性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-06-09T08:31:14Z)
• Personalized Text Generation with Fine-Grained Linguistic Control [9.668216418094316]
  複数の言語的次元にまたがる微粒な属性の制御に焦点をあてる。 生成モデルを訓練するための新しいベンチマークを導入し、パーソナライズされたテキストを生成する能力を評価する。
  論文  参考訳（メタデータ） (2024-02-07T14:41:08Z)
• Intelligent Grimm -- Open-ended Visual Storytelling via Latent Diffusion Models [70.86603627188519]
  我々は,オープンエンドなビジュアルストーリーテリングとして表現された,与えられたストーリーラインに基づいてコヒーレントな画像列を生成するという,斬新で挑戦的な課題に焦点をあてる。 本稿では,新しい視覚言語コンテキストモジュールを用いた学習に基づく自動回帰画像生成モデル(StoryGen)を提案する。 StoryGenは最適化なしに文字を一般化することができ、一貫性のあるコンテンツと一貫した文字で画像列を生成する。
  論文  参考訳（メタデータ） (2023-06-01T17:58:50Z)
• Stylized Story Generation with Style-Guided Planning [38.791298336259146]
  そこで本稿では,先行する文脈を条件として,新たなタスク,スタイル化されたストーリージェネレーション,すなわちスペクティフィドスタイルでストーリーを生成することを提案する。 我々のモデルは、ROCStoriesデータセットに基づいて、エモオプション駆動またはイベント駆動のストーリーを制御できる。
  論文  参考訳（メタデータ） (2021-05-18T15:55:38Z)
• STORIUM: A Dataset and Evaluation Platform for Machine-in-the-Loop Story Generation [48.56586847883825]
  我々は、オンラインのコラボレーティブなストーリーテリングコミュニティであるSTORiumから構築されたデータセットと評価プラットフォームを紹介した。 データセットには6Kの長編記事と、各物語に散在する詳細な自然言語アノテーションが含まれています。 我々は、STORiumにそれらを統合することで、データセット上で微調整された言語モデルを評価し、実際の著者は提案されたストーリーの継続をモデルに問い合わせ、編集することができる。
  論文  参考訳（メタデータ） (2020-10-04T23:26:09Z)
• Topic Adaptation and Prototype Encoding for Few-Shot Visual Storytelling [81.33107307509718]
  トピック間一般化の能力をモデル化するためのトピック適応型ストーリーテラを提案する。 また,アトピー内導出能力のモデル化を目的とした符号化手法の試作も提案する。 実験結果から,トピック適応とプロトタイプ符号化構造が相互に利益をもたらすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-08-11T03:55:11Z)

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。