مقاله رونمایی از عوامل ترجیحات زیبایی شناسی با هوش مصنوعی قابل توضیح

چکیده

The allure of aesthetic appeal in images captivates our senses, yet the underlying intricacies of aesthetic preferences remain elusive. In this study, we pioneer a novel perspective by utilizing machine learning models that focus on aesthetic attributes known to influence preferences. Through a data mining approach, our models process these attributes as inputs to predict the aesthetic scores of images. Moreover, to delve deeper and obtain interpretable explanations regarding the factors driving aesthetic preferences, we utilize the popular Explainable AI (XAI) technique known as SHapley Additive exPlanations (SHAP). Our methodology involves employing various machine learning models, including Random Forest, XGBoost, Support Vector Regression, and Multilayer Perceptron, to compare their performances in accurately predicting aesthetic scores, and consistently observing results in conjunction with SHAP. We conduct experiments on three image aesthetic benchmarks, providing insights into the roles of attributes and their interactions. Ultimately, our study aims to shed light on the complex nature of aesthetic preferences in images through machine learning and provides a deeper understanding of the attributes that influence aesthetic judgements.

چکیده به فارسی (ترجمه ماشینی)

جذابیت جذابیت زیبایی در تصاویر حواس ما را به خود جلب می کند ، اما پیچیدگی های اساسی ترجیحات زیبایی شناسی گریزان است.در این مطالعه ، ما با استفاده از مدلهای یادگیری ماشین که بر ویژگی های زیبایی شناسی که برای تأثیرگذاری بر ترجیحات شناخته می شوند ، چشم انداز جدیدی را پیش بینی می کنیم.از طریق یک رویکرد داده کاوی ، مدل های ما این ویژگی ها را به عنوان ورودی برای پیش بینی نمرات زیبایی شناسی تصاویر پردازش می کنند.علاوه بر این ، برای تفسیر عمیق تر و به دست آوردن توضیحات قابل تفسیر در مورد عوامل محرک ترجیحات زیبایی شناختی ، ما از تکنیک محبوب AI (XAI) قابل توضیح معروف به توضیحات افزودنی Shapley (Shap) استفاده می کنیم.روش ما شامل استفاده از مدلهای مختلف یادگیری ماشین ، از جمله جنگل تصادفی ، XGBoost ، رگرسیون بردار پشتیبانی و Perceptron چند لایه ، برای مقایسه عملکرد آنها در پیش بینی دقیق نمرات زیبایی شناسی ، و مشاهده مداوم نتایج در رابطه با Shap است.ما آزمایشاتی را در سه معیار زیبایی شناسی تصویر انجام می دهیم و بینش در مورد نقش ویژگی ها و تعامل آنها را ارائه می دهیم.در نهایت ، مطالعه ما با هدف روشن کردن ماهیت پیچیده ترجیحات زیبایی شناسی در تصاویر از طریق یادگیری ماشین و درک عمیق تری از ویژگی هایی که بر قضاوت های زیبایی شناسی تأثیر می گذارد ، فراهم می کند.