[論文レビュー] Creativity and Machine Learning: A Survey

Giorgio Franceschelli, Mirco Musolesi|arXiv (Cornell University)|Apr 6, 2021

Creativity in Education and Neuroscience参考文献 281被引用数 14

ひとこと要約

本調査は機械学習と計算的創造性の交差点を統合し、生成的深層学習手法の分類法を提唱するとともに、ボーデンの基準（新規性、驚き、価値）に基づいたメトリクスを用いてその創造的潜在能力を評価する。既存の評価フレームワークを批判的に検討し、機械的創造性を定義・測定する際の主な課題を特定し、創造性指向の訓練目的と、ドメインに依存しない堅牢な評価手法の導入を提言する。

ABSTRACT

There is a growing interest in the area of machine learning and creativity. This survey presents an overview of the history and the state of the art of computational creativity theories, key machine learning techniques (including generative deep learning), and corresponding automatic evaluation methods. After presenting a critical discussion of the key contributions in this area, we outline the current research challenges and emerging opportunities in this field.

研究の動機と目的

• 計算的創造性と現代の機械学習、特に深層生成モデルとの統合に関する包括的な概説を提供すること。
• 生成的深層学習手法が、生成物の生成にとどまらず、機械が生成する出力の創造性を評価するのにもどのように利用できるかを批判的に分析すること。
• 機械的創造性のための堅牢で客観的かつドメインに依存しない評価手法を定義する際の未解決課題を特定・議論すること。
• 人間と機械による評価の役割、およびAI生成の創造的成果物における著作者権や知的財産権の付与といった基本的で倫理的・法的な問題を検討すること。
• 創造性指向の損失関数や潜在空間の探索手法を含む、今後の研究方向性を提言すること。

提案手法

• 生成的深層学習モデルの新しい分類法を提唱し、そのメカニズムと創造的潜在能力に基づいて分類する。
• ボーデンの3要因（新規性、驚き、価値）を、生成された成果物における機械的創造性を評価するための核となるフレームワークとして採用する。
• 進化的アルゴリズム、クラスタリングベースのメトリクス、計算的ストーリーテリングフレームワークを含む12種類の異なる評価手法をレビュー・分類する。
• 意味的埋め込みと距離計算を活用して新規性と驚きを定量化するため、深層学習に基づくメトリクスを評価パイプラインに統合する。
• 進化的アプローチにおいて属性-値ペアシステムとフィットネス関数を用い、動的で適応的な創造性評価を模擬する。
• 人間が関与するバリデーションの必要性を強調し、手動でチューニングが必要なドメイン特化型メトリクスや事前定義されたクラスタの限界を議論する。

実験結果

リサーチクエスチョン

• RQ1 生成的深層学習モデルは、創造的出力の能力と関連づけて、どのように体系的に分類できるか？
• RQ2 現在の評価フレームワークは、創造性の3大次元（新規性、驚き、価値）をどの程度的確に捉えているか？
• RQ3 スケーラビリティ、ドメイン依存性、人間の介入の観点から、既存の評価手法にどのような限界があるか？
• RQ4 機械学習を用いて、モデルの学習段階で創造性を直接最適化するための目的関数をどのように設計できるか？
• RQ5 AI生成の創造的成果物における著作者権と知的財産権の付与に伴う倫理的・法的課題は何か？

主な発見

• GAN や拡散モデルなどの生成的深層学習モデルは、芸術、音楽、テキストなど多様な分野で人間らしい成果物を生成する能力を示している。
• 高品質な生成が可能である一方、現在のモデルは訓練データ内のパターンを模倣するにとどまっているため、本質的に創造的とは言えない。真に新規または変容的なアイデアを生成するのではなく、単にパターンの再現にとどまっている。
• 意味的距離やクラスタリングに基づく評価フレームワークは、新規性と驚きを定量化する上で有望であるが、慎重なチューニングを要し、しばしばドメイン特化的である。
• Karampiperis ら（2014）が提唱した物語評価手法は、新規性と驚きを効果的に捉えるが、事前に定義されたクラスタ定義と意味的表現に強く依存している。
• 動的フィットネス関数を備えた進化的アプローチは、創造性の進化をモデル化できるが、人間が定義したパフォーマンス変数とパrameter設定に依存するという制限がある。
• 多様なドメインにわたり、創造的出力と非創造的出力を信頼性高く区別できる、堅牢で汎用的かつ自動化された評価手法のギャップは依然として著しい。