基于分组子集扫描的生成模型创造力表征
机器学习
2021-05-27 v2 人工智能
摘要
深度生成模型，如变分自编码器（VAEs），已广泛应用于计算创造力研究。然而，此类模型为避免过度生成伪样本而抑制分布外生成，限制了其创造力。因此，将人类创造力研究融入生成式深度学习技术，为使其输出更具吸引力与类人特性提供了契机。随着面向创造力研究的生成模型的出现，亟需基于机器学习的替代度量来表征这些模型的创造性输出。我们提出基于分组子集扫描的方法，通过检测生成模型隐藏层中异常节点激活的子集，来量化、检测并表征创造性过程。我们在原始、常规解码以及“创造性解码”（Das 等 2020）图像数据集上的实验表明，所提出的子集分数分布在激活空间中比在像素空间中更有助于检测创造性过程。此外，我们发现跨数据集来看，创造性样本比正常或非创造性样本产生更大规模的异常子集。在创造性解码过程中凸显的节点激活不同于那些负责正常样本生成的节点激活。
引用
@article{arxiv.2104.00479,
title = {Towards creativity characterization of generative models via group-based subset scanning},
author = {Celia Cintas and Payel Das and Brian Quanz and Skyler Speakman and Victor Akinwande and Pin-Yu Chen},
journal= {arXiv preprint arXiv:2104.00479},
year = {2021}
}
备注
Synthetic Data Generation Workshop at ICLR'21