Inspiration-triggered search: Towards higher complexities by mimicking creative processes

Abstract

Jeden z hlavních problémů stochastických optimalizačních metod ze strojového učení je uvíznutí v lokálních optimech. Cílem této práce je vytvoření optimalizační metody inspirované uživateli webové služby Picbreeder, ve které mohou společně vyvíjet obrázky pomocí umělé evoluce. Hlavní myšlenkou je, že jejich chování představuje tvůrčí procesy. Představujeme metodu nazvanou inspiration-triggered search, která napodobuje zmíněné procesy a využívá k tomu libovolnou optimalizační techniku. Vyhledávání neobsahuje pevně daný cíl, místo toho je schopno samo si s určitými omezeními definovat vlastní cíle. Cílem optimalizace je vytvoření komplexních výtvorů, které nemohou být nalezeny hladovou a přímou optimalizací. Navržená metoda je otestována v doméně obrázků, kde je cílem nalezení komplexních a esteticky příjemných obrázků pro člověka, a porovnána s přímou optimalizací. Powered by TCPDF (www.tcpdf.org)

The trap of local optima is one of the main challenges of stochastic optimization methods from machine learning. The aim of this thesis is to develop an optimization algorithm that is inspired by users interacting with Picbreeder, which is an online service that allows users to collaboratively evolve images via an artificial evolution. The idea is that their behaviours depict creative processes. We propose a general framework on the top of a common optimization technique called inspiration-triggered search, which mimics these processes. Instead of a fixed objective function the search algorithm is free to change the objective within certain constraints. The overall optimization task is to generate complex artefacts that cannot be generated by a greedy and direct optimization approach. The proposed method is tested in the domain of images, that is to find complex and aesthetically pleasant images for humans, and compared with the direct optimization. Powered by TCPDF (www.tcpdf.org)