利用可解释人工智能揭示审美偏好的影响因素

图像审美吸引力令人着迷，但审美偏好背后的复杂机制仍难以捉摸。在本研究中，我们开创了一种新视角，利用几种不同的机器学习（ML）模型，这些模型聚焦于已知会影响偏好的审美属性。我们的模型将这些属性作为输入来预测图像的审美分数。此外，为了更深入地获得关于驱动审美偏好因素的可解释解释，我们采用了流行的可解释人工智能（XAI）技术，即SHapley Additive exPlanations（SHAP）。我们的方法比较了各种ML模型（包括随机森林、XGBoost、支持向量回归和多层感知机）在准确预测审美分数方面的性能，并持续结合SHAP观察结果。我们在三个图像审美基准上进行了实验，即带属性的审美数据库（AADB）、可解释视觉审美（EVA）和带丰富属性的个性化图像审美数据库（PARA），从而深入揭示了各属性及其交互的作用。最后，我们的研究提出了用于审美研究的ML模型，并引入了XAI。我们的目标是通过ML阐明图像审美偏好的复杂本质，并深化对影响审美判断之属性的理解。