深层创造力:用深度学习技术测量创造力
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。
Jul, 2017
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
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
通过实验测量 “提示解释的流动性” 的一个方面,本研究试图定义并定量衡量人工智能中的创造行为,研究 AI 生成的图像是否展现出艺术家所表现的同一类型的 “创造性”。
Jun, 2024
通过将神经网络编码的熵用于比较图像集合之间的多样性,我们提出了一种无需基准知识且易于计算的方法来评估协同创作系统生成的内容的多样性。通过比较两个预训练网络的选择与我们想要评估的多样性概念的关系,我们还讨论了这些度量在交互系统中的概念生成、模型评估以及计算创造力的更广泛应用。
Mar, 2024
我们评估了 Open AI 的生成式自然语言模型 GPT-3 在 Guilford 的替代用途测试中的创造力,结果显示人类目前在创造性输出方面表现优于 GPT-3,但我们相信这只是时间问题。
Jun, 2022
创造力与人工智能系统之间的评估存在理论依据不足的问题,本研究使用马尔可夫决策过程作为桥梁,通过研究创造性过程中的形式映射,探讨其中的创造过程、异常机会和对创造力的威胁,从而为未来的工作和应用提供质量标准。
May, 2024