Core Concepts
기계 학습 기술, 특히 생성 심층 학습 기술의 발전으로 인해 기계가 창의적인 산출물을 생성할 수 있게 되었다. 이 논문은 창의성의 정의와 계산적 창의성 이론, 주요 기계 학습 기술, 그리고 이를 활용한 자동 평가 방법에 대해 개괄적으로 살펴본다.
Abstract
이 논문은 기계 학습과 창의성의 관계에 대해 다루고 있다.
먼저 창의성의 정의와 관련 개념들을 소개한다. 창의성은 개인, 환경, 과정, 산출물의 4가지 관점에서 연구되어 왔으며, 특히 산출물 측면에 초점이 맞춰져 왔다. Boden이 제시한 창의성의 3가지 기준, 즉 가치, 새로움, 놀라움을 중심으로 분석한다.
다음으로 생성 모델에 대해 설명한다. 생성 모델은 관측 데이터의 분포를 학습하고 이로부터 새로운 샘플을 생성할 수 있다. 이러한 생성 모델 중에서도 특히 심층 학습 기반 생성 모델의 발전이 두드러진다. 이 논문에서는 변분 자동 인코더, 생성적 적대 신경망, 순차 예측 모델, 트랜스포머 기반 모델, 확산 모델, 강화 학습 기반 방법, 입력 기반 방법 등 7가지 주요 생성 모델 기법을 소개하고 각각의 핵심 개념, 예시 모델, 응용 사례, 창의성 관점에서의 비판적 논의를 제시한다.
마지막으로 기계 학습 기반 창의성 평가 방법에 대해 다룬다. 창의성 평가는 창의적 산출물을 인식하고 판단하는 능력을 의미하며, 이를 위한 다양한 기계 학습 기법들이 소개된다.
전반적으로 이 논문은 기계 학습 기술의 발전이 창의성 생성과 평가에 미치는 영향을 종합적으로 다루고 있다.
Stats
기계 학습 기술은 신문 기사 작성, 인간 얼굴 및 음성 생성, 약물 및 단백질 설계, 예술 작품 창작 등에 활용되고 있다.
생성 모델은 실제 데이터와 유사한 합성 데이터를 생성하는 것이 목적이지만, 이는 창의성의 핵심 요소인 새로움과 다양성과는 거리가 멀다.
생성 모델은 조합적, 탐색적, 변형적 창의성을 보일 수 있다.
Quotes
"창의성은 새롭고, 놀라우며, 가치 있는 아이디어나 산출물을 생성할 수 있는 능력"
"생성 모델은 실제 데이터의 잠재 분포를 학습하고 이로부터 새로운 샘플을 생성하는 것이 목적이지만, 이는 창의성의 핵심 요소인 새로움과 다양성과는 거리가 멀다."