[论文解读] 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 6

一句话总结

本文全面回顾了数据驱动的基于类比的设计（DbA）研究，并提出了未来的发展路线图，通过整合人工智能与数据科学，以增强创造性设计。论文提出了一套概念性系统，利用表征学习、多模态数据及生成式AI，实现类比编码、检索、映射与评估的自动化，推动可解释性与智能化的设计创新。

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.

研究动机与目标

• 系统性回顾现有数据驱动DbA研究，识别方法、数据与应用方面的缺口。
• 将当前DbA方法与数据科学与人工智能的最新进展进行基准对比。
• 识别并映射DbA中数据、方法与应用方面的有前景未来研究方向。
• 提出一个统一的、概念性的数据驱动DbA系统，整合AI技术于所有子过程。
• 在认知科学理论基础上构建未来智能DbA系统，同时利用大数据提升理解力与可解释性。

提出的方法

• 将现有DbA研究划分为四个子过程：类比编码、检索、映射与评估。
• 开展细致且有机的文献回顾，并对数据、方法与应用进行结构化分析。
• 将研究成果整合为一个概念性未来数据驱动DbA系统，利用表征学习将多源、多模态设计数据嵌入动态向量空间。
• 应用数据挖掘与人工智能技术（如深度学习、知识图谱、自然语言处理、计算机视觉）以支持类比检索、映射与评估。
• 引入可解释机器学习技术，提升类比推理的透明度，例如识别相似性类型。
• 利用深度生成模型基于推荐的类比对及其映射关系自动生成新颖设计，结合人机协同交互与智能评估。

实验结果

研究问题

• RQ1 当前数据驱动DbA研究使用了哪些数据源、方法与应用场景？
• RQ2 现有数据驱动DbA方法与数据科学与人工智能的前沿技术相比表现如何？
• RQ3 当前数据驱动DbA系统存在哪些关键局限与研究缺口？
• RQ4 如何系统性地将人工智能与数据科学整合于DbA全流程（编码、检索、映射、评估）？
• RQ5 何种概念性框架可指导未来智能、可解释且数据驱动的DbA系统开发？

主要发现

• 本研究识别出DbA的四个核心子过程——编码、检索、映射与评估——均正日益受到数据驱动AI技术的支持。
• 现有数据驱动DbA研究较为零散，子过程间整合有限，且在数据使用与评估基准方面存在不一致性。
• 表征学习能够有效将多模态设计数据嵌入高维向量空间，为可扩展的类比处理奠定基础。
• 可解释AI可通过揭示类比推理中的相似性类型（如关系型、属性型）来增强信任与透明度。
• 生成式AI模型可基于映射后的类比自动生成新颖设计，显著加速创意生成过程。
• 未来DbA系统应在认知科学理论基础上构建，同时利用真实世界的DbA数据以优化并解释AI驱动的类比推理。