Modeling Creativity: Case Studies in Python
Modeling Creativity(博士论文,2013)探讨了如何使用计算方法来表示创造力。我们的目标是构建计算机模型,在艺术背景下展示创造力,也就是说,能够生成或评估艺术品(视觉或语言),有趣的新想法,主观意见。这项研究于2008-2012年在计算语言学研究小组(CLiPS,安特卫普大学)在Walter Daelemans教授的监督下进行。之前的研究也在Lucas Nijs的监督下在实验媒体研究小组(EMRG,安特卫普圣卢卡斯大学艺术与设计学院)进行。建模创造力从许多不同的角度来审视创造力:从自然界的起源,本质上是盲目的,到人类和机器,从产生创造性的想法到评估和学习它们的新颖性和有用性。我们将使用实际操作的方法,通过案例研究和Python程序设计语言中的示例。
2014-08-10 cs.AI
Towards Defining, Measuring, and Leveraging Creativity in AI Applications
New York University, Stern School of Business(纽约大学斯特恩商学院)
本文针对AI应用中创造力缺乏严谨形式化定义的问题,基于Boden的三大核心标准提出创造力形式化公设与数学定义,经国际象棋走法、绘画作品的创造力评估实验验证,该公式可有效表征跨领域创造力模式。
2026-10-12 cs.AI
A Causality-aware Paradigm for Evaluating Creativity of Multimodal Large Language Models
Sun Yat-sen University(中山大学);Singapore Management University(新加坡管理大学);Harvard University(哈佛大学);Peng Cheng Laboratory(鹏城实验室)
本文提出因果感知的LoTbench框架,基于Oogiri游戏评估多模态LLM创造力,量化性能并可视化思维过程,发现与认知基准强相关,优于传统指标。
2025-02-23 cs.AI cs.HC
Rock Climbing Route Generation and Grading as Computational Creativity
Vanderbilt University(范德堡大学)
该研究将攀岩路线生成与定级引入计算创造力领域,梳理背景、提出未来研究评估标准与计算定级方法,指出研究空白并作为该方向的先导研究。
2023-11-03 cs.AI cs.OH
Design-Driven Requirements for Computationally Co-Creative Game AI Design Tools
Northeastern University(东北大学);University of California, Santa Cruz(加利福尼亚大学圣克鲁兹分校)
游戏AI设计师必须管理AI角色、游戏世界和玩家之间的复杂交互,同时实现他们的设计愿景。计算协同创造工具可以帮助他们,但首先,人工智能和人机交互研究人员必须收集需求并确定设计策略,以构建有效的协同创造工具。在这项工作中,我们提出了一个参与式的设计研究,分类和分析游戏AI设计师的工作流程,目标和期望,这些工具。我们展示了游戏AI设计与合作创造工具设计之间的深层联系,并为未来的合作创造工具研究和开发提供了启示。
2021-07-29 cs.AI cs.HC
Is computational creativity flourishing on the dead internet?
Creative Computing Institute(创意计算学院);University of the Arts London(伦敦艺术大学)
本文通过计算创造力视角分析社交媒体上为获取粉丝和互动而优化的机器人现象,探讨计算创造力是否在死亡互联网上蓬勃发展。
2024-06-03 cs.AI cs.CY
Seeing Differently: Modeling Interpretive Perspectives in Computational Creativity using a Four-World Framework
该研究提出基于四世界框架的计算方法建模解释视角,用三类角色评价1069件SemArt作品,发现视角差异影响创造性评估,支持创造性关系观,可提升协同创造系统的适配性。
2026-08-03 cs.AI cs.HC
Evaluating Creativity in Computational Co-Creative Systems
UNC Charlotte(北卡罗来纳大学夏洛特分校);The University of Sydney(悉尼大学)
本文提供了一个框架,用于评估创造力的合作创造系统:那些涉及计算机程序与人类用户合作的创造性任务。我们在更广泛的计算创造力的背景下,共同创造系统,并解释这些系统的独特品质。我们提出了四个主要问题,可以指导评估在共同创造系统:谁是评估的创造力,什么是被评估,什么时候进行评估和如何进行评估。这些问题提供了一个框架来比较现有的合作创造系统如何评估创造力,我们将它们应用于艺术,幽默,游戏和机器人技术中的合作创造系统的例子。我们的结论是,现有的共同创造系统往往侧重于评估用户体验。采用自主创造系统的评价方法可能会导致自我意识和有意的共同创造系统。
2018-07-25 cs.AI cs.HC
Paranoid Transformer: Reading Narrative of Madness as Computational Approach to Creativity
Higher School of Economics(高等经济大学);Yandex(扬戴克斯)
本文在计算创造力的背景下重新审视接受理论。它提出了一个偏执的Transformer的案例研究-一个完全自主的文本生成引擎与原始输出,可以阅读作为一个疯狂的数字人物的叙述,没有任何额外的人后过滤。我们描述了生成系统的技术细节,提供输出的例子,并讨论了接受理论,机会发现和模拟边缘心理状态对计算创造力的理解的影响。
2020-07-13 cs.AI cs.CL cs.CY
Towards Automation of Creativity: A Machine Intelligence Approach
University of Mumbai(孟买大学);G. N. Khalsa College(G. N. 卡尔萨学院)
本文论证了计算创造力在音乐领域的出现。不同方面的创造力,如生产者,过程,产品和新闻进行了研究和制定。不同概念的计算创造力,如新颖性,质量和典型性的组成产品进行了研究和评估。我们制定了一个算法感知人类的创造力,并提出了一个原型,能够证明人类水平的创造力。然后,我们验证了所提出的原型,通过应用各种创造力基准与所获得的结果,并比较所提出的原型与其他现有的计算创意系统。
2019-04-27 cs.AI cs.SD eess.AS
A Big Data Approach to Computational Creativity
IBM Thomas J. Watson Research Center(IBM托马斯·J·沃森研究中心)
计算创造力是人工智能的一个新兴分支,它将计算机置于创造过程的中心。从广义上讲,创造力包括产生许多想法的生成步骤和确定最佳想法的选择步骤。然而,许多以前的计算创造力的尝试都无法实现有效的选择步骤。这项工作展示了如何将来自创意领域和享乐心理物理学的数据源与大数据分析技术结合在一起,可以克服这一缺点,从而产生一个可以产生新颖和高质量创意作品的系统。我们的数据驱动方法通过我们开发和部署的烹饪食谱和菜单的计算创造力系统来展示,该系统可以通过人机交互自动或半自动操作。我们还评论了计算创造力中数据的数量、速度、多样性和准确性。
2013-11-05 cs.AI cs.CY cs.HC
Embodiment and Computational Creativity
Aalto University(阿尔托大学);Metropolitan Autonomous University (Cuajimalpa)(墨西哥城自治大学(夸希马尔帕校区));Finnish Center for Artificial Intelligence(芬兰人工智能中心);Queen Mary University of London(伦敦玛丽女王大学)
我们推测,创造力和对创造力的感知至少在某种程度上是由具体化塑造的。这使得具体化与计算创造力(CC)研究高度相关,但现有的研究很少,并且概念的使用非常模糊。我们克服了这种情况下,通过系统的审查和规范性的分析,在计算创造力国际会议上的出版物。我们采用并扩展了一个已建立的类型学的体现,以解决歧义,通过识别和比较不同的用法的概念。我们收集,contextualise和突出的机遇和挑战,拥抱体现在CC作为研究的参考,并提出了重要的方向,进一步体现CC研究计划。
2021-07-02 cs.AI cs.HC cs.RO
Creativity and Visual Communication from Machine to Musician: Sharing a Score through a Robotic Camera
University of California San Diego(加利福尼亚大学圣迭戈分校);University of California Merced(加利福尼亚大学默塞德分校)
本文在“Guided Harmony”游戏中引入 PTZ 机器人摄像机,使其解读音乐家非语言线索并互动,以探索人机协同创造与直观视觉交流。
2024-10-28 cs.AI cs.CV cs.HC
How Does Embodiment Affect the Human Perception of Computational Creativity? An Experimental Study Framework
University of Helsinki(赫尔辛基大学);Aalto University(阿尔托大学);Queen Mary University of London(伦敦玛丽女王大学)
哪些因素影响人类对计算系统所表现出的创造力的评价是计算创造力研究的核心问题。近年来,制度的体现被提出来作为一个影响因素,但缺乏对其影响的实证研究。为此,我们提出了一个实验框架,隔离的体现对创造力的感知效果,其对创造力本身的影响。我们不仅操纵系统的具体化,而且还将感知证据作为人类创造力评估的基础。我们激励的核心框架与体现和知觉证据作为独立的和创造性的过程作为控制变量,我们提供了建议,测量作为因变量的创造性评估。我们希望这个框架能启发其他人以一种有原则的方式研究人类对具身CC的感知。
2022-08-26 cs.AI cs.HC cs.RO
The societal and ethical relevance of computational creativity
University of Zurich(苏黎世大学);University of Malta(马耳他大学)
在本文中,我们提供了一个创造性的系统对个人和社会的价值的哲学帐户。我们用非常广泛的哲学术语来描述创造力,包括自然的,存在的和社会的创造性过程,如自然进化和创业精神,并解释为什么以这种方式理解的创造力有助于促进人类的长期福祉。然后,我们解释了为什么当前的主流人工智能往往是反创造性的,这意味着在人类的努力中使用这种类型的人工智能是有道德代价的,尽管涉及创造力的计算系统正在崛起。总之,有一种观点认为,伦理学应该更适合创造性的人工智能,这也可以与人工智能伦理学中提倡的其他价值观进行权衡,例如其可解释性和准确性。
2020-07-23 cs.AI econ.GN q-fin.EC
Explaining Creative Artifacts
Salesforce Research(Salesforce研究院)
人类的创造力通常被描述为将关联元素组合成新形式的心理过程,但新兴的计算创造力算法可能不会以这种方式运行。在这里,我们开发了一个反问题的制定解构的产品组合和组合的创造力到关联链作为一种形式的事后解释,符合人类的创造性过程。特别是,我们的配方结构作为解决旅行商问题,通过关联元素的知识图谱。我们证明了我们的方法,使用一个例子来解释烹饪计算的创造力,有一个明确的语义结构,和两个例子中的语言生成,我们要么提取明确的概念,映射到一个知识图谱,或者我们考虑在词嵌入空间的距离。我们关闭铸造的长度最佳旅行推销员的路径作为衡量的创新性。
2020-10-14 cs.AI
Artwork creation by a cognitive architecture integrating computational creativity and dual process approaches
ICAR-CNR(意大利国家研究委员会计算与高性能计算研究所);University of Turin(都灵大学)
本文提出了一种新的认知架构(CA)计算创造力的基础上的Psi模型和推理和理性的双过程理论的启发机制。近年来,许多认知模型都集中在双过程理论,以更好地描述和实现人工智能体中的复杂认知技能,但创造力只在描述层面上进行了探讨。在以前的作品中,我们已经描述了各种模块的认知架构,允许机器人执行创意绘画。通过双加工理论,我们完善了一些相关的机制,以获得艺术品,特别是我们解释的细节,有关的分辨率水平的CA处理不同的策略访问的长期记忆(LTM)和管理之间的互动的双加工理论的S1和S2过程。创造性过程包括内隐或外显的发散和收敛过程。这导致了四种活动(探索性、反思性、隐性和分析性),这些活动由冲动和动机触发,产生创造性行为。这些创造性的行为利用了长期记忆和工作记忆,通过适当地混合来自不同领域的图片,对感知到的图像进行新的替换。本文强调了S1和S2过程之间的相互作用的作用,调制的分辨率水平,这集中了注意力的创造性代理人扩大或缩小探索新的解决方案,甚至从一组已经取得的协会绘制的解决方案。在一些实验中,通过使用机器人平台描述了人工画家的示例。
2016-01-04 cs.AI
The Effects of Quantum Randomness on a System Exhibiting Computational Creativity
我们目前的实验结果的影响,使用量子或“真正的”随机数,而不是伪随机数,在一个系统中,表现出计算的创造力(鉴于其能力,组成原来的国际象棋问题)。结果表明,在合成过程中使用量子随机数的次数过多或过少对生成的输出没有任何积极的影响。有趣的是,有一个“最佳点”,即在15%的时间内使用量子随机数,这会导致更少的统计异常值。总的来说,在这样的系统中使用量子随机数似乎确实有一点优势,这在表现出计算创造力的其他系统中也可能是真的。然而,这样做的好处应该与获得量子随机数的开销相权衡,而伪随机数发生器可能更方便合并。
2020-08-28 cs.AI cs.NE quant-ph
Informing Artificial Intelligence Generative Techniques using Cognitive Theories of Human Creativity
Simon Fraser University(西蒙弗雷泽大学);University of British Columbia(不列颠哥伦比亚大学)
我们的创造力是使我们成为独特人类的共同观点表明,将对人类创造力的研究纳入生成深度学习技术可能是一条富有成效的途径,可以使其输出更引人注目,更像人类。使用基于Deep Dream的卷积神经网络和基于认知的计算艺术渲染系统的原始合成,我们展示了如何通过计算实现磨练理论,内在动机和“种子事件”的概念,并展示了它们对生成艺术的影响。我们讨论了深度学习卷积神经网络生成系统的探索如何帮助我们理解人类的创造力。最后,我们总结了基于人工智能的计算创造力和创造力心理学之间进一步交叉的想法。
2019-07-05 cs.AI cs.LG q-bio.NC
LLMs can Realize Combinatorial Creativity: Generating Creative Ideas via LLMs for Scientific Research
Boston University(波士顿大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Delaware(特拉华大学);Acaciawood Preparatory Academy(阿卡西亚伍德预备学院)
针对LLMs生成科研创意忽视理论基础的问题,本研究提出基于组合创造性理论的框架,通过泛化级检索系统和结构化组合过程生成创意,在OAG-Bench数据集上较基线相似性得分提升7%-10%,推动AI辅助研究并深化机器创造性理论理解。
2025-02-17 cs.AI
Explainable Computational Creativity
Monash University(莫纳什大学);University of London(伦敦大学);Goldsmiths, University of London(伦敦大学金史密斯学院)
在计算创造力(CC)领域,人类与系统的协作通常限于浅层交互,其中系统和人类的创造性过程都是孤立进行的,没有用户的任何(或很少)干预,也没有关于如何展开决策的任何讨论。富有成效的共同创作需要持续不断的互动,包括讨论想法,与以前/其他作品的比较,增量改进和修改等。这意味着为CC系统提供发言权,并在它们和它们的用户之间建立双向沟通渠道,以便它们能够:解释它们的流程和决策,支持它们的想法,以便它们的创意合作者认真考虑这些想法,并从这些讨论中学习,以进一步改进它们的创意流程。为此,我们提出了一套CC系统的设计原则,旨在支持与人类合作者进行更大的共同创造和协作。
2022-05-11 cs.AI cs.HC
Empathic AI Painter: A Computational Creativity System with Embodied Conversational Interaction
Simon Fraser University(西蒙弗雷泽大学)
越来越多的人认识到,艺术家使用有价值的方式来理解和利用认知和感知机制来传达他们创作的艺术作品中所期望的体验和叙述(DiPaola等人,2010; Zeki,2001)。这篇论文记录了我们对肖像画家的创作过程进行计算建模的尝试,肖像画家依赖于对人类特征的理解(即,我们的系统包括一个移情会话交互组件,用于捕获用户的主要个性类别,以及一个生成式人工智能肖像系统,该系统使用该分类来创建用户肖像的个性化风格化。本文包括对我们系统的描述以及在NeurIPS 2019会议演示期间获得的实时交互结果。
2020-05-28 cs.AI cs.HC
A General Framework for Describing Creative Agents
University of Huddersfield(哈德斯菲尔德大学)
计算创造力是人工智能的一个子领域,专注于开发和研究创造性系统。很少有学术研究从理论的角度分析创意代理人的行为已经提出。所提出的框架是模糊的,难以利用;此外,这些作品都集中在为人类量身定制的创造力概念上。在本文中,我们介绍了一般的创造力,这扩展了传统的概念。一般创造力提供了一个正式的理论框架的基础,它允许一个单一地描述任何创造性的代理人,以及他们在创造性系统的社会中的行为。鉴于近年来开发的人工智能创意系统越来越多,了解它们如何相互影响以及如何衡量它们对人类社会的影响至关重要。特别是,在本文中,我们利用拟议的框架(一)确定不同形式的创造力;(二)描述一些典型的创造性代理人的行为,以及(三)分析人类和非人类的创造性系统共存的社会的动态。
2016-04-14 cs.AI
The Digital Synaptic Neural Substrate: A New Approach to Computational Creativity
Universiti Tenaga Nasional(马来西亚国家能源大学);University of Ljubljana(卢布尔雅那大学);Goldsmiths College, University of London(伦敦大学金史密斯学院);Jozef Stefan Institute(约瑟夫·斯特凡研究所)
我们介绍了一种新的人工智能(AI)方法,称为“数字突触神经基质”(DSNS)。它使用来自各个领域(例如国际象棋问题、古典音乐、著名艺术品)的对象的选定属性,并以生成新属性的方式对它们进行重组,然后原则上可以使用这些新属性来创建具有创造价值的新颖对象与任何一个源领域相关的人类。这使得创造性内容生成的一些负担从人类转移到机器上。该方法进行了测试,在国际象棋的问题组成的域。我们用它来自动组成许多集的国际象棋问题的基础上提取和重组的属性,从国际象棋问题和锦标赛游戏的人类,著名的绘画,计算机进化的抽象艺术,照片的人,和古典音乐曲目。这些生成的国际象棋问题的质量,然后使用现有的和实验验证的计算国际象棋美学模型自动评估。它们也由该领域的人类专家进行评估。结果表明,收集和重组的属性从国际象棋和其他领域使用DSNS的方法确实可以用来自动生成国际象棋的问题,合理的高美学质量。特别是,一个低质量的国际象棋源(即弱玩家之间的比赛游戏序列)与人的实际照片相结合使用,能够产生质量相当或更好的三步国际象棋问题,使用高质量的国际象棋源(即人类专家发表的作品),以及更有效。为什么来自外国领域的信息可以以这种方式整合和发挥作用,这仍然是一个悬而未决的问题。原则上,DSNS方法是可伸缩的,并且适用于对象具有可以使用实数表示的属性的任何域。
2016-09-20 cs.AI
Implementing feedback in creative systems: A workshop approach
Goldsmiths College, University of London(伦敦大学金史密斯学院);University of Kent(肯特大学)
人工智能的一个特殊挑战是创造力的计算建模和模拟。反馈和从经验中学习是创造过程的关键方面。在这里,我们研究如何使用社会模型在创造性系统中实现反馈。从创造性写作领域,我们借用作家工作坊的概念作为通过反馈学习的模式。作家工作坊鼓励使用规定的活动格式对一件创造性作品进行审查、讨论和辩论。我们提出了一个计算模型的作家研讨会的路线图纳入人工创造力系统的反馈。我们认为,作家工作坊设置描述了创作过程的解剖。我们支持我们的主张与案例研究,描述了如何实现作家工作坊模型的计算创造力系统。我们提出这项工作使用其他人可以遵循的模式,在自己的系统中实现类似的设计。最后,我们讨论了这个模型与人工智能其他方面的更广泛的相关性。
2015-05-26 cs.AI
DEFINED: A Data-Efficient Computational Framework for Fine-Grained Creativity Assessment in Debate Scenarios
Nanjing University(南京大学);Shanghai Innovation Institute(上海创新研究院);East China Normal University(华东师范大学)
提出DEFINED框架,通过层次化八维指标体系、预训练语言模型和混合粒度训练策略,在辩论场景中实现数据高效的细粒度创造力自动评估,优于现有方法。
2026-06-16 cs.AI cs.CL cs.LG
ZeroSumEval: Scaling LLM Evaluation with Inter-Model Competition
Meta;Saudi Data & AI Authority(沙特数据与人工智能局);Cohere(Cohere公司);Rensselaer Polytechnic Institute(伦斯勒理工学院)
针对传统LLM评估方法的缺陷,提出基于零和博弈的动态评估协议ZeroSumEval,通过多类型游戏评估多维度AI能力,实验表明其能有效评估模型,且前沿模型在创意类任务中表现不佳。
2025-04-17 cs.AI cs.CL
On Creativity and Open-Endedness
Barnard College(巴纳德学院);Cross Labs, Cross Compass Ltd.(Cross Labs、Cross Compass有限公司);Riken AIP(理化学研究所先进智能项目中心);Aalto University(阿尔托大学);Queen Mary University of London(伦敦玛丽女王大学);University of Tokyo(东京大学);Tokyo Institute of Technology(东京工业大学);Institute for Advanced Study(高等研究院)
本文梳理计算创造力与人工生命领域的研究背景,回顾二者关联研究,聚焦开放性概念提出待解问题,旨在减少概念歧义、发掘协同效应并推动跨领域对话。
2024-06-23 cs.AI
Quantifying Creativity in Art Networks
Rutgers University(罗格斯大学)
我们能否开发出一种计算机算法,根据艺术史的背景来评估一幅画的创造力?本文提出了一种新的计算框架来评估创意产品的创造力,如绘画,雕塑,诗歌等。我们使用最常见的定义的创造力,强调产品的原创性和其影响力的价值。所提出的计算框架是基于构建一个网络之间的创意产品和使用这个网络来推断其节点的原创性和影响力。通过一系列的转换,我们构建了一个创造力蕴涵网络。我们表明,在这个网络中的创造力的推理减少到一个变种的网络中心性问题,可以有效地解决。我们提出的框架量化绘画(和雕塑)的创造力的任务。我们在两个超过62K绘画的数据集上进行了实验,以说明所提出的框架的行为。我们还提出了一种方法,定量验证所提出的算法,我们称之为“时间机器实验”的结果。
2015-06-02 cs.AI cs.CV cs.CY
Modelling serendipity in a computational context
Hyperreal Enterprises, Ltd.(Hyperreal企业有限公司);University of Kent(肯特大学);Queen Mary University of London(伦敦玛丽女王大学);University of Dundee(邓迪大学)
偶然发现这个词描述了一个创造性的过程,这个过程是在一个创造性主体的积极参与下发展起来的,但并不完全在这个主体的控制之下。虽然一个系统不能执行偶然的需求,我们认为,它的$\mathit{serendipity\ potential}$可以增加通过一个合适的系统架构和其他设计选择。我们从偶然性和创造性的历史理论中获得了对偶然性事件的统一描述。它采用了一个框架的形式,包含六个阶段:$\mathit{perception}$、$\mathit{attention}$、$\mathit{interest}$、$\mathit{explanation}$、$\mathit{bridge}$和$\mathit{valuation}$。然后,我们使用这个框架来组织认知科学,哲学和计算的文献调查,从而产生实际的六个阶段的定义,以及实施的方法。我们使用由此产生的模型来评估四个现有的系统开发的其他人,和两个系统以前开发的两个作者的意外发现的潜力。大多数现有的研究,认为在计算环境中的意外发现处理意外发现作为一种服务,在这里,我们将理论的意外发现自主系统和计算创造力的实践的发展。我们认为,意外发现是不是目的盲目的,并概述了我们的模型的未来应用的代表性方向。我们的结论是,为计算系统配备意外发现的潜力是可行的,这可能有利于各种计算创造力/人工智能应用,特别是那些旨在在现实世界中响应操作的应用。
2020-04-19 cs.AI
A Computer Composes A Fabled Problem: Four Knights vs. Queen
Universiti Tenaga Nasional(国家能源大学)
我们解释了如何原型自动国际象棋问题作曲家,Chesthetica,成功地组成了一个罕见的和有趣的国际象棋问题,使用新的数字突触神经基板(DSNS)计算创造力的方法。从创造性的角度来看,这个问题代表了一个更大的挑战,因为将军并不总是明确的,获胜的方法更是如此。因此,在没有全知的7子残局桌面(也遵守几种国际象棋作曲惯例)的情况下创建这种类型的决定性国际象棋问题对于大多数人类玩家和作曲家来说都是一个挑战。因此,值得注意的是,一台处理能力和内存相对较低的小型计算机足以在短短10天内使用DSNS方法解决这样的问题。在本报告中,我们详细记录了事件和结果。它为DSNS作为计算创造力领域的一种可行的新方法提供了额外的信任。特别是在那些需要人类创造力来解决目标或具体问题而没有明确解决方案的领域。
2017-09-04 cs.AI
How Do Hackathons Foster Creativity? Towards AI Collaborative Evaluation of Creativity at Scale
Aalborg University(奥尔堡大学);Aarhus University(奥胡斯大学);Eindhoven University of Technology(埃因霍温理工大学);Carnegie Mellon University(卡内基梅隆大学)
本文通过对193,353个黑客松项目的大规模计算分析,探讨了参与者特征等因素对创造力的影响,并提出利用LLMs增强创造力评估的方法与挑战。
2025-03-06 cs.AI cs.HC cs.SE
How Did Humans Become So Creative? A Computational Approach
University of British Columbia(不列颠哥伦比亚大学);Simon Fraser University(西蒙弗雷泽大学)
本文总结了计算模型的努力,在人类创造力的进化两个过渡:它的起源约200万年前,和“大爆炸”的创造力约50,000年前。使用文化进化的计算模型,其中基于神经网络的代理通过发明和模仿来进化行动的想法,我们测试了人类创造力始于递归回忆能力的假设。我们比较了代理仅限于单步操作的运行和使用递归回忆将简单操作链接成复杂操作的运行。链接导致了更高的多样性,开放式的新颖性,没有上限的平均健身行动,以及更大的能力,利用学习。使用肖像画的计算模型,我们测试的假设,即在中/上旧石器时代的创造力的爆炸是由于上下文的重点发病:联想和分析思维之间的转换能力。这导致了更快的趋同肖像,类似的保姆,采用绘画技巧,并被评为首选。我们的结论是,递归回忆和上下文的重点提供了一个计算合理的解释人类如何进化的手段来改造这个星球。
2019-07-09 cs.AI cs.MA cs.NE
Towards creativity characterization of generative models via group-based subset scanning
IBM Research Africa(IBM非洲研究院);IBM Research(IBM研究院)
深度生成模型,如变分自编码器(VAE),已被广泛用于计算创造力的研究。然而,这样的模型不鼓励非分布生成以避免虚假样本生成,限制了它们的创造力。因此,将对人类创造力的研究纳入生成式深度学习技术中,可以使其输出更有吸引力,更像人类。当我们看到面向创造力研究的生成模型的出现时,迫切需要基于机器学习的替代指标来表征这些模型的创造性输出。我们提出了基于组的子集扫描,通过检测生成模型的隐藏层中的异常节点激活的子集来量化,检测和表征创造性过程。我们对原始、典型解码和“创造性解码”(Das et al 2020)图像数据集的实验表明,所提出的子集分数分布对于检测激活空间而不是像素空间中的创造性过程更有用。此外,我们发现,在数据集上,创意样本比正常或非创意样本生成更大的异常子集。在创造性解码过程中突出显示的节点激活与负责正常样本生成的节点激活不同。
2021-05-26 cs.AI cs.LG
GRAPHIC--Guidelines for Reviewing Algorithmic Practices in Human-centred Design and Interaction for Creativity
University of Coimbra(科英布拉大学)
GRAPHIC框架旨在分析应用于图形设计的计算系统,通过三大维度揭示人机协作中的研究空白,促进基于核心设计原则的创新。
2025-11-24 cs.AI cs.GR cs.HC
Beyond Following: Mixing Active Initiative into Computational Creativity
Georgia Institute of Technology(佐治亚理工学院)
本研究在混合主动性协同创作系统中,利用强化学习开发了一个多臂老虎机智能体,通过在线学习人类创作者的责任偏好并主动切换协作能力,显著提升了39名参与者的整体满意度与协作理解。
2024-09-06 cs.AI cs.HC
An Artificial Intelligence Approach for Interpreting Creative Combinational Designs
Zhejiang University(浙江大学);Imperial College London(帝国理工学院);University of Exeter Business School(埃克塞特大学商学院)
针对创造性组合设计的计算解释问题,提出融合计算机视觉与NLP的启发式算法及多种AI实现,最高分别以87.5%和80%准确率识别基础与附加组件。
2024-05-08 cs.AI cs.CE
How Creative Should Creators Be To Optimize the Evolution of Ideas? A Computational Model
University of British Columbia Okanagan campus(不列颠哥伦比亚大学奥卡纳干校区);Tufts University(塔夫茨大学)
创造力既有好处也有缺点。在一个社会群体中,并非所有成员都必须具有创造性才能从创造性中受益;有些人只是模仿或享受其他人创造性努力的成果。创造性占多大比例?本文包含了一个非常初步的调查,这个问题进行了使用计算机模型的文化进化被称为EVOC(进化的文化)。EVOC由基于神经网络的代理组成,这些代理通过(1)通过修改现有的想法来发明新的想法,以及(2)模仿邻居的想法,从而为行动进化出更合适的想法。当30%~ 40%的个体具有创造性时,理想的思想适合度就出现了。当创造者创造了50%或更少的迭代时,社会中行动的平均适应性是创造者与模仿者比例的正函数;否则,当创造者与模仿者的比例超过约30%时,行动的平均适应性开始下降。对于所有水平的创造力,人口中思想的多样性与创造性主体的比例呈正相关。
2009-11-12 cs.AI cs.NE physics.soc-ph
Active Divergence with Generative Deep Learning -- A Survey and Taxonomy
Goldsmiths, University of London(伦敦大学金史密斯学院);University of The Arts London(伦敦艺术大学);Queen Mary University of London(伦敦玛丽女王大学);Monash University(莫纳什大学)
生成式深度学习系统提供了用于伪影生成的强大工具,因为它们能够对数据分布进行建模并生成高保真结果。然而,在计算创造性的背景下,一个主要的缺点是,它们无法以创造性的方式显式地偏离训练数据,并且仅限于拟合目标数据分布。为了解决这些限制,已经有越来越多的方法用于优化、破解和重写这些模型,以便主动地偏离训练数据。我们提出了一个分类和全面调查的最先进的主动发散技术,突出了计算创造力研究人员的潜力,以推进这些方法,并在真正的创造性系统中使用深度生成模型。
2021-07-12 cs.AI cs.LG
GAMER PAT: Research as a Serious Game
Kenji Saito Graduate School of Business and Finance, Waseda University(凯纪·西条 早稻田大学商学院和金融学院);Rei Tadika DeruQui(雷·塔迪卡 德鲁基)
本文提出GAMER PAT,一个将论文写作游戏化的AI聊天机器人,通过角色扮演和任务机制,在四阶段支架模式中支持新手研究者的写作结构、反思与动机。
2025-09-16 cs.AI cs.CY cs.HC