Predición de preferencia de usuario mediante técnicas de Soft Computing

Abstract

[Resumo] O contido desta tese por compendio é a agrupación de tres artigos de investigación publicados en revistas de prestixio, que abordan a necesidade e a forma de mellorar os métodos de predición de preferencia estética de usuario mediante técnicas de soft computing. Realízase un amplo estado da arte do uso de redes de neuronas artificiais e deep learning. Este estudo mostra que existen sistemas baseados en redes de neuronas capaces de realizaren tarefas artísticas con diferente grao de obxectividade. Dende a detección dun obxecto nunha obra pictórica ata a creación de imaxes, pasando pola clasificación segundo o estilo artístico ou autor/a, ou a estimación de calidade e valor estético. Tamén mostra que nos últimos anos se están a realizar máis traballos en tarefas máis complexas como a creación de imaxes, en gran medida grazas ao uso de técnicas de deep learning caso das Convolutional Neural Network (CNN) e as Generative Adversarial Network (GAN). A partir desta base, formúlase o uso de sistemas baseados en redes neuronais para dúas tarefas relevantes no ámbito da predición de preferencia estética. Dunha banda, emprégase un sistema de redes de neuronas artificiais para predición estética, utilizando un dataset explorado polo estado da arte. Non se busca só un erro baixo na predición senón tamén unha rede cuxa topoloxía sexa mínima. Analízanse os resultados extraendo conclusións sobre a información mínima relevante para realizar esta tarefa altamente subxectiva e complexa. Pola outra, analízanse diferentes alternativas para outra tarefa altamente relacionada coa percepción estética: a percepción de complexidade visual. Existen numerosos estudos psicolóxicos que propoñen unha relación directa entre complexidade e valor estético. Proponse buscar un método de machine learning, que obteña mellor predición deste valor. Tamén se realiza unha análise dos outlayers, co fin de comprender mellor os procesos realizados polo mecanismo de predición.[Abstract] The content of this Thesis by Compendium is the grouping of three research articles published in prestigious journals, which shows the need and how to improve the methods of predicting user aesthetic preference using soft computing techniques. An extensive state of the art of the use of artificial neural networks and deep learning is performed. This study shows that there are systems based on neural networks capable of performing artistic tasks with varying degrees of objectivity. From the detection of an object in a pictorial work to the creation of images, the classification according to the artistic style or author, or the estimation of quality and aesthetic value. It also shows that in recent years more work is being done on more complex tasks such as image creation, largely thanks to the use of deep learning techniques such as Convolutional Neural Network (CNN) and Generative Adversarial Network (GAN). From this basis, the use of neural network-based systems is formulated for two relevant tasks in the field of aesthetic preference prediction. On the one hand, a system of artificial neural networks is used for aesthetic prediction, using a dataset explored by the state of the art. Not only a low error in the prediction is sought but also a network whose topology is minimal. The results are analyzed by drawing conclusions about the minimum information relevant to perform this highly subjective and complex task. On the other hand, different alternatives for another task highly related to aesthetic perception are analyzed: the perception of visual complexity. There are numerous psychological studies that propose a direct relationship between complexity and aesthetic value. It is proposed to look for a machine learning method, which obtains better prediction of this value. An analysis of the outlayers is also performed, in order to better understand the processes performed by the prediction mechanism.[Resumen] El contenido de esta Tesis por Compendio es la agrupación de tres artículos de investigación publicados en revistas de prestigio, que abordan la necesidad y la forma de mejorar los métodos de predicción de preferencia estética de usuario mediante técnicas de soft computing. Se realiza un amplio estado del arte del uso de redes de neuronal artificiales y deep learning. Este estudio muestra que existen sistemas basados en redes de neuronas capaces de realizar tareas artísticas con diferente grado de objetividad. Desde la detección de un objeto en una obra pictórica hasta la creación de imágenes, pasando por la clasificación según el estilo artístico o autor, o la estimación de calidad y valor estético. También se muestra que en los últimos años se están realizando más trabajos en tareas más complejas como la creación de imágenes, en gran medida gracias al uso de técnicas de deep learning como las Convolutional Neural Networks (CNN) y las Generative Adversarial Networks (GAN). A partir de esta base, se plantea el uso de sistemas basados en redes neuronales para dos tareas relevantes en el ámbito de la predicción de preferencia estética. Por un lado, se emplea un sistema de redes de neuronas artificiales para predicción estética, utilizando un dataset explorado por el estado del arte. No sólo se busca un error bajo en la predicción, sino también una red cuya topología sea mínima. Se analizan los resultados extrayendo conclusiones sobre la información mínima relevante para realizar esta tarea altamente subjetiva y compleja. Por otro lado, se analizan diferentes alternativas para otra tarea altamente relacionada con percepción estética: la percepción de complejidad visual. Existen numerosos estudios psicológicos que proponen una relación directa entre complejidad y valor estético. Se propone buscar un método de machine learning, que obtenga mejor predicción de este valor. También se realiza un análisis de los outlayers, con el fin de comprender mejor los procesos realizados por el mecanismo de predicción.