通过基于组的子集扫描实现生成模型的创造力表征

深度生成模型，如变分自编码器（VAEs）和生成对抗网络（GANs），已广泛应用于计算创造力研究。然而，此类模型为避免生成虚假样本而抑制分布外生成，从而限制了其创造力。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和更接近人类提供了机会。随着面向创造力研究的生成模型的出现，迫切需要基于机器学习的替代度量来表征这些模型的创造性输出。我们提出基于组的子集扫描方法，通过检测生成模型隐藏层中异常节点激活的子集来识别、量化和表征创造性过程。我们在标准图像基准及其“创造性生成”变体上的实验表明，所提出的子集分数分布对于在激活空间中检测创造性过程比在像素空间中更有用。此外，我们发现，在不同数据集上，创造性样本比正常或非创造性样本产生更大的异常子集。在创造性解码过程中被突出的节点激活与负责正常样本生成的节点激活不同。最后，我们评估了由我们的方法选出的子集中的图像是否也被人类评估者认为是创造性的，从而揭示了人类创造力感知与深度神经网络内部节点激活之间的联系。