[論文レビュー] Data-Driven Design-by-Analogy: State of the Art and Future Directions

Shuo Jiang, Jie Hu+2 more|arXiv (Cornell University)|Jun 3, 2021

Design Education and Practice参考文献 132被引用数 6

ひとこと要約

本論文は、AIおよびデータサイエンスを統合することで創造的デザインを向上させる、データ駆動型デザイン・バイ類似（DbA）の包括的レビューと今後のロードマップを提示する。代表表現学習、マルチモーダルデータ、生成AIを用いた概念的システムを提案し、類似性のエンコード、検索、マッピング、評価を自動化することで、説明可能で知能的なデザインイノベーションの発展を促進する。

ABSTRACT

Design-by-Analogy (DbA) is a design methodology wherein new solutions, opportunities or designs are generated in a target domain based on inspiration drawn from a source domain; it can benefit designers in mitigating design fixation and improving design ideation outcomes. Recently, the increasingly available design databases and rapidly advancing data science and artificial intelligence technologies have presented new opportunities for developing data-driven methods and tools for DbA support. In this study, we survey existing data-driven DbA studies and categorize individual studies according to the data, methods, and applications in four categories, namely, analogy encoding, retrieval, mapping, and evaluation. Based on both nuanced organic review and structured analysis, this paper elucidates the state of the art of data-driven DbA research to date and benchmarks it with the frontier of data science and AI research to identify promising research opportunities and directions for the field. Finally, we propose a future conceptual data-driven DbA system that integrates all propositions.

研究の動機と目的

• データ駆動型DbA研究の体系的レビューを行い、手法、データ、応用分野におけるギャップを特定すること。
• 最新のデータサイエンスおよび人工知能の進展と照らして、現在のDbA手法をベンチマークすること。
• データ、手法、応用分野の各分野において、有望な今後の研究方向性を特定・マッピングすること。
• 全サブプロセスにわたりAI技術を統合した包括的で概念的なデータ駆動型DbAシステムを提唱すること。
• 認知科学的基盤に裏打ちされた今後の知能的DbAシステムを構築し、ビッグデータを活用してAI駆動の類似性推論の理解と説明可能性を向上させること。

提案手法

• DbA研究を4つのサブプロセスに分類する：類似性のエンコード、検索、マッピング、評価。
• 洗練された、自然な流れの文獻レビューを実施した後、データ、手法、応用分野を体系的に分析する。
• 得られた知見を、複数のソースおよびマルチモーダルな設計データを動的ベクトル空間に埋め込む代表表現学習を用いて、概念的な今後のデータ駆動型DbAシステムに統合する。
• データマイニングおよびAI技術（例：ディープラーニング、知識グラフ、自然言語処理、コンピュータビジョン）を活用し、類似性の検索、マッピング、評価を支援する。
• 類似性推論における類似性タイプ（例：関係的、属性的）の特定を可能にする、解釈可能な機械学習を統合する。
• 人間が関与するインタラクションと知能的な評価を備えた、深層生成モデルを用いて、推奨された類似性ペアとそのマッピングに基づき、新たなデザインを自動で合成する。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型DbA研究で現在使用されている主なデータソース、手法、応用分野は何か？
• RQ2 既存のデータ駆動型DbA手法は、データサイエンスおよびAI分野の最新技術と比較してどのように異なるか？
• RQ3 現在のデータ駆動型DbAシステムにおける主な制限要因と研究ギャップは何か？
• RQ4 AIおよびデータサイエンスは、類似性のエンコード、検索、マッピング、評価を含む全プロセスに体系的に統合可能か？
• RQ5 今後の知能的で説明可能かつデータ駆動型のDbAシステムの開発を導く概念的フレームワークは何か？

主な発見

• 本研究では、DbAにおける4つのコアなサブプロセス（エンコード、検索、マッピング、評価）が、次第にデータ駆動型AI技術によって支援されていることが明らかになった。
• 既存のデータ駆動型DbA研究は断片的であり、サブプロセス間の統合が限定的で、データおよび評価ベンチマークの使用が一貫していない。
• 代表表現学習により、マルチモーダルな設計データを高次元のベクトル空間に効果的に埋め込むことが可能となり、スケーラブルな類似性処理の基盤が構築された。
• 解釈可能なAIは、類似性推論における類似性タイプ（例：関係的、属性的）を明らかにすることで、信頼性と透明性を向上させられる。
• 生成AIモデルは、マッピングされた類似性に基づき、自動的に新たなデザインを合成可能であり、アイディエーションのスピードを著しく向上させる。
• 今後のDbAシステムは、認知科学的基盤に裏打ちされるべきであり、実世界のDbAデータを活用してAI駆動の類似性推論の精錬と説明可能性を高めるべきである。