[논문 리뷰] Creativity and Machine Learning: A Survey

Giorgio Franceschelli, Mirco Musolesi|arXiv (Cornell University)|2021. 04. 06.

Creativity in Education and Neuroscience참고 문헌 281인용 수 14

한 줄 요약

이 종합 검토는 기계 학습과 계산적 창의성의 만남을 종합적으로 분석하며, 생성적 딥 러닝 기법의 분류 체계를 제안하고 보던의 기준(새로움, 놀라움, 가치)을 바탕으로 창의성 잠재력을 평가하는 지표를 평가한다. 기존 평가 프레임워크를 비판적으로 분석하고 기계 창의성의 정의와 측정에 있어 핵심 과제를 밝혀내며, 창의성 중심의 훈련 목표와 강력하고 도메인에 관계없는 평가 방법을 주장한다.

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.

연구 동기 및 목표

• 계산적 창의성과 현대 기계 학습, 특히 딥 생성 모델과의 통합에 대한 종합적인 개요를 제공하는 것.
• 생성적 딥 러닝 기법이 자료 생성을 넘어서 기계가 생성한 결과물의 창의성 평가에 어떻게 활용될 수 있는지 비판적으로 분석하는 것.
• 기계 창의성에 대한 강력하고 객관적이며 도메인에 관계없는 평가 방법을 정의하고 측정하는 데 있어 열린 과제를 특정하고 논의하는 것.
• 인간 평가와 기계 평가의 역할, 그리고 AI가 생성한 창의적 작품에 있어서 저작권 및 저작권 문제와 같은 기초 윤리적·법적 문제를 탐색하는 것.
• 미래 연구 방향, 즉 창의성 중심의 손실 함수와 잠재 공간 탐색 기법을 통해 새로운 가치 있는 자료를 발견하는 데 초점을 맞추는 것.

제안 방법

• 생성적 딥 러닝 모델의 새로운 분류 체계를 제안하여 기계적 메커니즘과 창의성 잠재력에 따라 분류한다.
• 보던의 세 가지 기준인 새로움, 놀라움, 가치를 기반으로 기계 창의성 평가의 핵심 프레임워크로 채택한다.
• 진화 알고리즘, 군집 기반 지표, 계산적 스토리텔링 프레임워크를 포함한 12가지의 별도 평가 방법론을 검토하고 분류한다.
• 심층 학습 기반 지표를 평가 파이프라인에 통합하여 의미적 임베딩과 거리 계산을 활용해 새로움과 놀라움을 정량화한다.
• 진화적 접근에서 속성-값 쌍 시스템과 적합도 함수를 적용하여 동적이고 적응적인 창의성 평가를 시뮬레이션한다.
• 인간이 개입하는 검증의 필요성을 강조하고, 수동 조정과 사전 정의된 군집이 필요한 도메인 특화 지표의 한계를 논의한다.

실험 결과

연구 질문

• RQ1 생성적 딥 러닝 모델은 창의적 출력 능력과 관련하여 체계적으로 어떻게 분류될 수 있는가?
• RQ2 현재의 평가 프레임워크는 새로움, 놀라움, 가치라는 창의성의 세 핵심 차원을 얼마나 잘 반영하고 있는가?
• RQ3 확장성, 도메인 의존성, 인간 간섭 측면에서 기존 평가 기법의 한계는 무엇인가?
• RQ4 기계 학습을 활용해 모델 훈련 중 창의성 최적화를 직접적으로 위한 목적 함수를 어떻게 설계할 수 있는가?
• RQ5 AI가 생성한 창의적 작품에 저작권 및 지적 재산권을 부여함에 있어 발생하는 윤리적·법적 과제는 무엇인가?

주요 결과

• GAN 및 디퓨전 모델과 같은 생성적 딥 러닝 모델은 예술, 음악, 텍스트 등 다양한 도메인에서 인간과 유사한 자료를 생성하는 데 놀라운 능력을 보였다.
• 높은 품질의 생성 능력에도 불구하고 현재의 모델들은 주로 훈련 데이터의 패턴을 모방하기 때문에 본질적으로 창의성이 부족하며, 진정으로 새로운 또는 변형된 아이디어를 생성하지는 않는다.
• 의미적 거리와 군집 기반 지표를 활용한 평가 프레임워크는 새로움과 놀라움을 정량화하는 데 잠재력을 보이지만, 조정이 까다롭고 일반적으로 도메인에 특화되어 있다.
• 카라마피리스 등(2014)이 제안한 스토리텔링 평가 방법은 새로움과 놀라움을 효과적으로 포착하지만, 사전 정의된 군집 정의와 의미적 표현에 크게 의존한다.
• 동적 적합도 함수를 갖춘 진화적 접근은 창의성의 진화를 모델링할 수 있지만, 인간이 정의한 성능 변수와 파rameter 설정이 필요로 하므로 제한이 있다.
• 다양한 도메인에서 창의적 결과물과 비창의적 결과물을 신뢰성 있게 구분할 수 있는 강력하고 일반화 가능하며 자동화된 평가 기법에 여전히 큰 격차가 존재한다.