CART Rule-Guided Diffusion and AI-Synthesized User Preferences for New Media Art Generation
यह शोध पत्र एक CART-नियम-निर्देशित डिफ्यूजन मॉडल का प्रस्ताव करता है जो बड़े पैमाने पर उपयोगकर्ता वरीयता डेटा को संश्लेषित करने के लिए एक कंडीशनल GAN का लाभ उठाता है और डिफ्यूजन सैंपलिंग प्रक्रिया में व्याख्या योग्य निर्णय-वृक्ष नियमों को एकीकृत करता है, जो मानव डेटा संग्रह की नैतिक और लागत संबंधी बाधाओं को दूर करते हुए न्यू मीडिया आर्ट जनरेशन की सौंदर्य गुणवत्ता और वैयक्तिकरण को महत्वपूर्ण रूप से बढ़ाता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कला हमेशा से रचनाकार और दर्शक के बीच एक संवाद रही है, एक ऐसा संवाद जहाँ अर्थ साझा किया जाता है और भावनाओं को महसूस किया जाता है। हाल के वर्षों में, आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) इस बातचीत में शामिल हो गया है, जो ऐसी छवियां बनाने में सक्षम है जो फोटोग्राफ की तरह वास्तविक या किसी सपने की तरह शैलीबद्ध (stylized) हो सकती हैं। फिर भी, एक शांत निराशा बनी हुई है। हालांकि ये मशीनें तकनीकी रूप से पूर्ण चित्र बना सकती हैं, लेकिन वे अक्सर यह समझने में संघर्ष करती हैं कि एक विशिष्ट व्यक्ति को क्या सुंदर लगता है। वे ऐसी सामग्री उत्पन्न करती हैं जो सक्षम तो है लेकिन भावनात्मक रूप से सपाट है, जो उपयोगकर्ता को केवल विकल्पों की एक सूची प्रदान करती है जिससे उसे निष्क्रिय रूप से चयन करना पड़ता है, बजाय इसके कि मशीन यह अनुमान लगा सके कि वह उपयोगकर्ता वास्तव में क्या देखना चाहता है। तकनीकी कौशल और व्यक्तिगत पसंद के बीच का यह अंतर केंद्रीय चुनौती है जिसे शोधकर्ता अब हल करने का प्रयास कर रहे हैं।
गुआंगज़ौ झिन्हुआ विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस अंतर को पाटने के लिए एक नया तरीका प्रस्तावित किया है, जो सरल चयन से आगे बढ़कर सक्रिय, व्यक्तिगत निर्माण की ओर बढ़ता है। उनका कार्य एक विशिष्ट प्रकार की आर्टिफिशियल इंटेलिजेंस पर केंद्रित है जिसे 'डिफ्यूजन मॉडल' (diffusion model) के रूप में जाना जाता है, जो पिक्सेल के एक अराजक बादल से धीरे-धीरे शोर (noise) को हटाकर छवियां बनाता है जब तक कि एक स्पष्ट चित्र उभर न आए। नवाचार इस प्रक्रिया को निर्देशित करने के तरीके में निहित है। मशीन को स्वतंत्र रूप से भटकने देने के बजाय, वे इसे मानव पसंद से प्राप्त व्याख्या योग्य नियमों के एक सेट का पालन करना सिखाते हैं। ऐसा करने के लिए, उन्हें पहले एक बड़ी बाधा को हल करना था: हजारों वास्तविक लोगों का सर्वेक्षण करने की अत्यधिक लागत और नैतिक जटिलताओं के बिना पर्याप्त मानवीय राय एकत्र करना।
शोधकर्ताओं ने वास्तविक डेटा के एक छोटे बीज के साथ शुरुआत की, जिसमें केवल दो हजार छवियां थीं जिन्हें मानव विशेषज्ञों द्वारा विभिन्न कलात्मक गुणों जैसे रंग सामंजस्य और संरचना के आधार पर रेट किया गया था। इस मामूली शुरुआती बिंदु से, उन्होंने एक माध्यमिक आर्टिफिशियल इंटेलिजेंस का उपयोग करके दस हजार सिम्युलेटेड (कृत्रिम) उपयोगकर्ताओं की एक आभासी आबादी बनाई। इन डिजिटल एजेंटों ने पांच लाख प्राथमिकता रिकॉर्ड उत्पन्न किए, जिससे प्रभावी रूप से पसंद का एक विशाल पुस्तकालय बन गया जो वास्तविक मानव बीज डेटा को दर्शाता था। टीम ने सत्यापित किया कि यह सिंथेटिक लाइब्रेरी सांख्यिकीय रूप से वास्तविक चीज़ से अविभेद्य थी, यह सुनिश्चित करते हुए कि मशीन मानवीय पसंद के सटीक प्रतिनिधित्व से सीख रही है, न कि किसी विकृत नकल से।
प्राथमिकताओं के इस विशाल पुस्तकालय के साथ, शोधकर्ताओं ने एक 'डिसीजन ट्री' (decision tree) को प्रशिक्षित किया, जो एक प्रकार का एल्गोरिदम है जो सूचनाओं को सरल हाँ-या-ना वाले प्रश्नों के माध्यम से छाँटता है, बिल्कुल एक फ्लोचार्ट की तरह। इस पेड़ ने उन विशिष्ट संयोजनों की पहचान करना सीखा जो उच्च सौंदर्य स्कोर की ओर ले जाते हैं। महत्वपूर्ण बात यह है कि टीम ने इन नियमों का उपयोग केवल छवियों को बनने के बाद फ़िल्टर करने के लिए नहीं किया। इसके बजाय, उन्होंने नियमों को एक सूक्ष्म, निरंतर संकेत (signal) में बदल दिया जिसे सीधे छवि-निर्माण प्रक्रिया में इंजेक्ट किया गया। जैसे-जैसे मशीन चरण-दर-चरण एक छवि बनाती गई, इस संकेत ने एक सूक्ष्म धक्के (nudge) के रूप में कार्य किया, जो पीढ़ी को उस विशिष्ट शैली और गुणवत्ता की ओर मोड़ देता था जिसे आभासी उपयोगकर्ता पसंद करते थे। यह मशीन से यह पूछने से कि आप क्या पसंद करते हैं, उसे यह सिखाने की ओर एक बदलाव था कि वह काम करते समय आपकी पसंद को कैसे महसूस करे।
यह सुनिश्चित करने के लिए कि सिस्टम में सुधार होता रहे, शोधकर्ताओं ने एक क्लोज्ड-लूप फीडबैक तंत्र बनाया। छवियों का एक सेट उत्पन्न करने के बाद, आभासी उपयोगकर्ताओं ने उन्हें स्कोर दिया, और सिस्टम ने इन स्कोर का उपयोग उन नियमों के महत्व को थोड़ा समायोजित करने के लिए किया जिनका वह पालन कर रहा था। इसने मॉडल को समय के साथ अपनी समझ को परिष्कृत करने की अनुमति दी, जिससे एक ऐसी रणनीति विकसित हुई जो प्रत्येक पुनरावृत्ति के साथ उच्च-गुणवत्ता वाली, अधिक व्यक्तिगत कला का उत्पादन करती है। परिणाम महत्वपूर्ण थे। अन्य प्रमुख तरीकों की तुलना में, इस नए दृष्टिकोण ने ऐसी छवियां बनाईं जो न केवल वांछित शैली के करीब थीं बल्कि समग्र गुणवत्ता में भी उच्च थीं। इस प्रणाली ने उत्पन्न कला और आदर्श सौंदर्य के बीच की दूरी को लगभग चौदह प्रतिशत कम कर दिया और उपयोगकर्ता की प्राथमिकताओं से मेल खाने की सटीकता में लगभग दस प्रतिशत का सुधार किया।
अध्ययन ने यह भी प्रकट किया कि उनके सिस्टम का प्रत्येक भाग आवश्यक था। डिसीजन ट्री को हटाने से छवियों की गुणवत्ता में उल्लेखनीय गिरावट आई, जिससे सिद्ध हुआ कि नियमों ने आवश्यक मार्गदर्शन प्रदान किया। सिंथेटिक डेटा लाइब्रेरी को हटाने से सिस्टम को बहुत लंबे समय तक और कम सफलता के साथ प्रशिक्षण लेना पड़ा, जो विस्तारित आभासी आबादी के मूल्य को दर्शाता है। और फीडबैक लूप को हटाने का अर्थ था कि सिस्टम अपने दृष्टिकोण को परिष्कृत नहीं कर सका, जो निरंतर समायोजन के महत्व को उजागर करता है। शोधकर्ताओं ने पाया कि उनकी विधि अन्य जटिल मॉडलों की तुलना में बहुत अधिक कुशल भी थी, जिसका प्रशिक्षण बहुत कम समय में पूरा हो गया।
हालांकि परिणाम आशाजनक हैं, लेखक सावधानीपूर्वक यह नोट करते हैं कि ये उपलब्धियां एक सिम्युलेटेड वातावरण के भीतर मापी गई थीं। आभासी उपयोगकर्ता, हालांकि सांख्यिकीय रूप से निष्ठावान हैं, वास्तविक मानवीय कला प्रशंसा की जटिल, भावनात्मक और सांस्कृतिक बारीकियों को पूरी तरह से नहीं पकड़ सकते। टीम ने एक नियंत्रित सेटिंग में वास्तविक लोगों के साथ अपने सिस्टम का परीक्षण करने और बाद में एक बड़े ऑनलाइन अध्ययन के माध्यम से यह पुष्टि करने के लिए कि क्या सुधार वास्तविक दुनिया में भी बने रहते हैं, एक योजना तैयार की है। तब तक, यह कार्य एक शक्तिशाली प्रदर्शन के रूप में खड़ा है कि व्याख्या योग्य नियमों को सिंथेटिक डेटा के साथ जोड़कर, मशीनों को ऐसी कला बनाने के लिए सिखाया जा सकता है जो मशीन के आउटपुट जैसा कम और एक व्यक्तिगत अभिव्यक्ति जैसा अधिक महसूस होता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।