生成艺术中混杂偏倚的量化：一项案例研究
计算机与社会
2021-02-25 v1
摘要
近年来，AI生成艺术变得非常流行。从生成保罗·塞尚和克劳德·莫奈等著名艺术家风格的艺术作品，到模拟浮世绘等艺术运动的风格，人们已使用AI探索了多种创造性应用。从艺术史视角看，这些应用引发了一些伦理问题。AI能否在不刻板化的情况下建模艺术家风格？AI是否公正对待艺术运动的社会文化细微差别？本工作中，我们朝分析这些问题迈出第一步。利用有向无环图表示艺术创作的潜在过程，我们提出一种简单度量，用于量化因未建模艺术运动对学习艺术家风格的影响而产生的混杂偏倚。作为案例研究，我们考虑流行的cycleGAN模型并分析跨多种流派的混杂偏倚。所提度量在理解艺术运动中艺术作品的影响方面比最先进的异常检测方法更有效。我们希望工作能阐明计算建模艺术家风格的重要缺陷，并引发有关AI生成艺术问责制的讨论。
引用
@article{arxiv.2102.11957,
title = {Quantifying Confounding Bias in Generative Art: A Case Study},
author = {Ramya Srinivasan and Kanji Uchino},
journal= {arXiv preprint arXiv:2102.11957},
year = {2021}
}