KDDJul, 2017

评估创意作品的机器学习方法

PDF
TL;DR提出基于回归的学习框架，从创意的关键标准（如新颖、影响力、价值和意外性）的量化角度来评估创意。在电影数据集上进行实验，结果显示：1）创意标准与评论员分数的相关性，2）包含各种创意标准时可以提高电影评分预测的准确性，3）鉴别创意电影。
creativityevaluating creativityregression-based learningnoveltycreative domains
发现论文，激发创造
  • 深层创造力：用深度学习技术测量创造力

    本文提出使用生成式学习技术进行机器创造力自动评估、并在 19 世纪美国诗歌生成中表现出其有效性和表达力的新指标 DeepCreativity。

    Jan, 2022

  • 艺术网络中的创造力量化

    本文提出了一种新颖的计算框架，用于评估创造性产品（如绘画，雕塑，诗歌等）的创造力，基于构建创造性涉及网络，通过多次转换建立创造性涉及网络，而网络居中问题的变体可以高效地解决创造性推断问题。通过实验验证，可以将其用于衡量绘画（和雕塑）的创造力，同时还提出了一种量化验证的方法，称为 “时间机器实验”。

    Jun, 2015

  • 学习评估人工智能生成图像的艺术性

    本文提出了 ArtScore 指标，用于评估一个图像与艺术作品之间的相似程度，并介绍了该指标的实现方法。经过实验，ArtScore 评估结果更接近于人类的艺术评估，相对于其他评估方法，比如 Gram Loss 和 ArtFID 更加准确。

    May, 2023

  • Scratch 编程跨模式下的自动创造力测量

    研究基于对创意理论核心概念：流畅性，灵活性和原创性的整合，定义并应用一个通用的可高效计算的创意度量，将其应用于 Scratch 项目的机器学习模型中，人类专家和模型的创意度量结果存在差异，该方法可用于教育技术的创意度量。

    Nov, 2022

  • AI 能像人类一样具有创造力吗？

    通过引入 Relative Creativity 的概念，我们将重点转移到 AI 是否能够与理论上的人类创造能力相媲美，并基于统计学上可量化的评估，介绍了 Statistical Creativity 作为衡量 AI 创造力的方法。通过分析创造力度量，并引入可行的训练指导方针，我们建立了一个评估和促进 AI 模型中统计创造力的连贯、不断发展和变革的框架。

    Jan, 2024

  • 创意和机器学习：一项调查

    该研究综述了机器学习和创造力领域的发展历程和现状，重点介绍了计算创造力理论、生成式深度学习和相应的自动评估方法，并讨论了当前研究面临的挑战和新机遇。

    Apr, 2021

  • 一种支持创意产生的工具箱：机器学习、数据驱动和竞赛驱动方法

    使用数据驱动技术和机器学习技术进行人机交互以生成创新点已成为一个相对较新的领域，在这个领域中，比赛驱动和数据驱动的方法也可用于激发创新和评估。 本文提出了一系列用于生成创新点的技术，包括一些相应的数据源和模型，以及两个模型，一个方法和一个框架。这些成果将受益于来自数据和知识工程，数据挖掘项目经理以及激励器，竞赛组织者，顾问，创新加速器和行业等的专业人员。

    May, 2022

  • 可解释的预测机器学习工件的设计：方法和实际演示

    本研究提出了一种统一设计科学研究、预测分析和可解释人工智能方法的方法论，以支持信息系统中可解释的预测型机器学习应用程序的开发和使用，以示例分享经济（如在 Airbnb 上）中的价格预测

    Jun, 2023

  • 生成人工智能的创新前沿：管理新颖性和实用性的平衡

    本文通过人类创造力文献的启示，探索生成人工智能系统中新奇和实用之间的最佳平衡，提出了包括领域特定分析、数据和迁移学习、用户喜好和定制、自定义评估指标和协作机制在内的框架，旨在在特定领域内生成既新颖又有用的内容。

    Jun, 2023

  • 审美感知音乐推荐的排序复杂度审美评估模型

    通过使用 Birkhoff 的美学度量来设计一种客观测量音乐美感的美学模型，并根据音乐的美感形成推荐列表，以提高人工智能音乐生成的质量和指导计算机音乐制作、合成和推荐等任务的研究。

    Feb, 2024