[論文レビュー] Automating Generative Deep Learning for Artistic Purposes: Challenges and Opportunities

Sebastian Berns, Terence Broad+2 more|University of the Arts London Research Online (University of the Arts London)|Jul 5, 2021

Aesthetic Perception and Analysis参考文献 51被引用数 4

ひとこと要約

本論文は、自動機械学習（AutoML）の原則と計算的創造性理論を統合することで、芸術的応用における生成的ディープラーニングの自動化を統合的フレームワークとして提案する。創造的責任（例：アーキテクチャ選定、損失関数設計、モデルの微調整）を自動化の対象とすることで、ユーザーとの共同創造的相互作用を通じて、生成的システムがより高い創造的自律性を達成可能となる。

ABSTRACT

We present a framework for automating generative deep learning with a specific focus on artistic applications. The framework provides opportunities to hand over creative responsibilities to a generative system as targets for automation. For the definition of targets, we adopt core concepts from automated machine learning and an analysis of generative deep learning pipelines, both in standard and artistic settings. To motivate the framework, we argue that automation aligns well with the goal of increasing the creative responsibility of a generative system, a central theme in computational creativity research. We understand automation as the challenge of granting a generative system more creative autonomy, by framing the interaction between the user and the system as a co-creative process. The development of the framework is informed by our analysis of the relationship between automation and creative autonomy. An illustrative example shows how the framework can give inspiration and guidance in the process of handing over creative responsibility.

研究の動機と目的

• 生成的ディープラーニングの自動化における統合的フレームワークの欠如、特に芸術的文脈においてその問題を解決すること。
• 自動化を技術的効率の超えて、システムに創造的責任を付与する道筋として再定式化すること。
• 生成的DLパイプラインにおける自動化可能な重要な意思決定ポイントを同定・標準化し、システム自律性の向上を図ること。
• 自動機械学習（AutoML）と計算的創造性の間のギャップを埋め、芸術的生成における創造的意思決定と自動化のターゲットを一致させること。
• 将来の研究および自動化・共同創造的生成AIシステムへの応用を想定した、構造的かつ拡張可能なフレームワークを提供すること。

提案手法

• 生成的モデルに焦点を当て、特にニューラルアーキテクチャサーチ（NAS）とハイパーパrameter最適化を含む自動機械学習（AutoML）の核心的概念を採用する。
• 芸術的生成的DLパイプラインをマッピングし、モデルアーキテクチャ、損失関数、トレーニングハイパーパramータなど、自動化に適した意思決定ポイントを同定する。
• 計算的創造性（CC）理論を統合し、「創造的責任」を自動化のターゲットとして定義し、ユーザー・システム間の相互作用を共同創造的フレームワークとして位置づける。
• 生成器、損失関数、トレーニング目的に関する自動調整を通じて、弱い自己制御から強い自己制御へと段階的に進化するマルチレベル自動化モデルを提案する。
• 生成的システムにおける新規自動化創造的行為の評価と分類に、FACEモデル（創造的出来事の分析フレームワーク）を用いる。
• 人間からシステムへの創造的コントロールの段階的移管を示すためのインスタレーション例を設計し、自己反省および自己制御メカニズムを含む。

実験結果

リサーチクエスチョン

• RQ1 芸術的応用における生成的ディープラーニングパイプラインを、AIシステムの創造的自律性を高めるために体系的に自動化する方法は何か？
• RQ2 芸術的文脈において、生成的DLパイプラインの意思決定責任の中で、自動化に最も適したものは何か？
• RQ3 創造的責任の自動化が、計算的創造性およびメタ創造性の理論的基盤とどのように整合するか？
• RQ4 生成的システムが自動意思決定を通じて、自己制御および自己認識の段階的向上をどのように達成できるか？
• RQ5 構造的な自動化を通じて、人間ユーザーと自動化された生成的AIシステムとの共同創造的相互作用をどのように維持・強化できるか？

主な発見

• 本論文は、深刻なギャップを特定する：AutoMLは判別的モデルにおいて進展を遂げているが、芸術的目的を想定した生成的ディープラーニングの自動化は、依然として未開拓である。
• 芸術的生成的DLアプリケーションは、データ分布の忠実度よりも文化的価値および美的新規性を重視するため、標準的なMLパイプラインとは異なる自動化ターゲットを必要とする。
• 損失関数設計、モデルアーキテクチャ選定、トレーニング目的のチューニングといった創造的責任の自動化により、システムはより強力な形での創造的自律性を示せるようになる。
• バックプロパゲーションと自己反省を通じて生成器認識（generator-awareness）を達成でき、出力評価に基づき損失関数を自動的に変更することで、目的認識（goal-awareness）を実現できる。
• 本フレームワークは、弱い自己制御（パラメータ更新）から強い自己制御（アーキテクチャおよび目的の自動化）までの創造的自律性のスケーリングをサポートし、人間-AI共同創造の新しい形を可能にする。
• FACEモデルは、自動化によって導入された新しい創造的行為を同定・分類する実用的な評価メカニズムを提供し、本フレームワークが創造的責任に与える影響を検証する。