[论文解读] Modeling Creativity: Case Studies in Python

Tom De Smedt|arXiv (Cornell University)|Aug 10, 2014

Artificial Intelligence in Games参考文献 210被引用 12

一句话总结

本文提出了一种基于Python案例研究的计算框架，用于在艺术语境中建模创造力。该框架提出了一种混合方法，结合基于规则的生成、统计建模和评估机制，以模拟创意生成、新颖性检测和审美判断，证明了通过可编程、可解释的系统在自然语言和视觉领域中系统性地建模机器创造力是可行的。

ABSTRACT

Modeling Creativity (doctoral dissertation, 2013) explores how creativity can be represented using computational approaches. Our aim is to construct computer models that exhibit creativity in an artistic context, that is, that are capable of generating or evaluating an artwork (visual or linguistic), an interesting new idea, a subjective opinion. The research was conducted in 2008-2012 at the Computational Linguistics Research Group (CLiPS, University of Antwerp) under the supervision of Prof. Walter Daelemans. Prior research was also conducted at the Experimental Media Research Group (EMRG, St. Lucas University College of Art & Design Antwerp) under the supervision of Lucas Nijs. Modeling Creativity examines creativity in a number of different perspectives: from its origins in nature, which is essentially blind, to humans and machines, and from generating creative ideas to evaluating and learning their novelty and usefulness. We will use a hands-on approach with case studies and examples in the Python programming language.

研究动机与目标

• 开发一种计算框架，以在语言和视觉设计等艺术领域中建模类人创造力。
• 研究机器如何通过可编程系统生成新颖、有价值且主观上引人入胜的艺术输出。
• 在计算模型中整合评估生成创意新颖性和有用性的机制。
• 通过Python中的实践性、基于代码的案例研究，证明建模创造力的可行性。
• 通过将基于规则和统计的方法应用于艺术生成任务，弥合计算语言学与创意人工智能之间的鸿沟。

提出的方法

• 本研究采用基于实践的案例研究方法，使用Python编程语言实现并测试创造力的计算模型。
• 通过结合基于规则的系统与统计模型，生成语言和视觉产物，如诗歌和图像。
• 通过与现有语料库或数据集进行比较，实现新颖性检测，以评估生成输出的原创性。
• 通过启发式规则和相似性度量对审美评估进行建模，以评估主观质量。
• 通过从反馈中学习并重新评估生成输出，支持迭代优化。
• 通过输出的定性分析对模型进行验证，重点关注感知到的创造力和连贯性。

实验结果

研究问题

• RQ1 计算系统如何在语言和视觉领域中生成新颖且有价值的艺术创意？
• RQ2 机器通过何种机制能够评估其自身创造性输出的新颖性和有用性？
• RQ3 基于规则和统计方法在多大程度上可以结合使用，以模拟艺术任务中的类人创造力？
• RQ4 计算模型如何以主观但系统化的方式评估生成产物的审美质量？
• RQ5 学习在计算框架内随时间推移优化创造性输出方面发挥何种作用？

主要发现

• 案例研究证明，基于Python的实现能够成功生成语言连贯且艺术新颖的输出，如诗歌和视觉设计。
• 将新颖性检测与审美评估相结合，使系统能够优先选择既原创又具有视觉吸引力的输出。
• 基于规则的生成与统计建模的结合，产生的创意产物比单独使用任一方法更具多样性且更符合语境。
• 该框架通过反馈机制支持迭代改进，表明创造性输出可以随时间不断优化。
• 定性评估证实，在受控评估中，人类观察者认为生成的输出具有创造力且连贯。
• 本研究建立了一种可复现的、以代码为核心的创造力建模方法论，适用于计算系统。