[论文解读] 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 14

一句话总结

本综述综合了机器学习与计算创造力的交叉领域，提出了一套生成式深度学习技术的分类体系，并基于Boden的标准（新颖性、意外性与价值）评估其创造力潜力。该研究批判性地审视了现有评估框架，识别出在定义与测量机器创造力方面面临的关键挑战，主张采用以创造力为导向的训练目标和稳健、领域无关的评估方法。

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.

研究动机与目标

• 提供计算创造力及其与现代机器学习（尤其是深度生成模型）融合的全面概述。
• 批判性分析生成式深度学习技术不仅可用于人工制品生成，还可用于评估机器生成输出的创造力。
• 识别并讨论在定义稳健、客观且领域无关的机器创造力评估方法方面存在的开放性挑战。
• 探讨人类与机器评估在AI生成创意作品中的作用，以及作者身份与版权等基础性伦理与法律问题。
• 提出未来研究方向，包括以创造力为导向的损失函数，以及在潜在空间中导航以发现新颖且有价值的创意产物的方法。

提出的方法

• 提出一种新颖的生成式深度学习模型分类体系，按其机制与创造力潜力进行分类。
• 采用Boden的三项核心标准——新颖性、意外性与价值——作为评估生成人工制品中机器创造力的核心框架。
• 回顾并分类12种不同的评估方法，包括进化算法、基于聚类的指标以及计算叙事框架。
• 将基于深度学习的指标整合到评估流程中，利用语义嵌入与距离计算来量化新颖性与意外性。
• 在进化方法中应用属性-值对系统与适应性适应度函数，以模拟动态、可调节的创造力评估。
• 强调需要引入人类参与验证，并讨论依赖人工调优与预定义聚类的领域特定指标的局限性。

实验结果

研究问题

• RQ1 如何系统性地对生成式深度学习模型进行分类，以反映其在创造性输出方面的能力？
• RQ2 当前的评估框架在多大程度上能够捕捉创造力的三个核心维度：新颖性、意外性与价值？
• RQ3 现有评估技术在可扩展性、领域依赖性与人工干预方面存在哪些局限性？
• RQ4 如何利用机器学习设计直接在模型训练过程中优化创造力的目标函数？
• RQ5 在AI生成的创意作品中，赋予作者身份与知识产权归属时会引发哪些伦理与法律挑战？

主要发现

• 生成式深度学习模型（如GANs与扩散模型）在艺术、音乐与文本等领域的生成中，已展现出令人印象深刻的、类人水平的产出能力。
• 尽管生成质量高，但当前模型本身并非真正具备创造力，因为它们主要模仿训练数据中的模式，而非生成真正新颖或具有变革性的想法。
• 基于语义距离与聚类的评估框架在量化新颖性与意外性方面具有潜力，但需要仔细调优，且通常具有领域依赖性。
• Karampiperis等人（2014）提出的叙事评估方法能有效捕捉新颖性与意外性，但严重依赖预定义的聚类定义与语义表征。
• 采用动态适应度函数的进化方法可模拟创造力的演化过程，但受限于需人工定义性能变量与参数设置。
• 目前仍存在显著的差距：缺乏稳健、可泛化且自动化的评估技术，难以在多样化领域中可靠地区分创造性与非创造性输出。