Aesthetics Prediction of Websites using Federated Learning
Dieses Paper schlägt einen auf Federated Learning basierenden Ansatz unter Verwendung von EfficientNet-B0 vor, um die Ästhetik von Website-Interfaces durch die Einbeziehung individueller Nutzerpräferenzen über fünf demografische Gruppen hinweg vorherzusagen, wobei ein vielversprechender mittlerer quadratischer Fehler von 0,0534 erreicht wird, während gleichzeitig die Einschränkungen der zentralisierten Datenerhebung und Durchschnittsbewertungen überwunden werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Wir leben in einer Welt, in der das Aussehen eines digitalen Bildschirms genauso wichtig ist wie dessen Funktion. Noch bevor eine Person auch nur ein einziges Wort auf einer Website oder in einer App liest, hat ihr Gehirn bereits eine Meinung darüber gebildet, ob sie ansprechend oder abstoßend ist. Dieses blitzschnelle Urteil, das oft in weniger als einem Augenblick gefällt wird, kann darüber entscheiden, ob ein Nutzer bleibt, um zu erkunden, oder sofort wieder geht. Für Designer stellt dies eine schwierige Herausforderung dar: Schönheit ist zutiefst persönlich. Was die eine Person als elegant empfindet, findet die andere vielleicht überladen oder langweilig. Traditionell haben Forscher, um diese Vorlieben zu verstehen, Tausende von Menschen gesammelt, die Bilder bewertet haben, und dann die Durchschnittswerte ermittelt, um eine „allgemeine“ Meinung zu finden. Doch dieser Ansatz hat einen Fehler. Indem man den Geschmack aller Menschen zu einer einzigen Zahl verschmilzt, werden die einzigartigen Vorlieben des Einzelnen ausgelöscht. Es wird davon ausgegangen, dass ein Student, ein Berufstätiger und ein Rentner die Welt auf die gleiche Weise sehen, was selten der Fall ist. Zudem wirft das Sammeln all dieser persönlichen Bewertungen in einer zentralen Datenbank Bedenken hinsichtlich des Datenschutzes auf, da die Nutzer ihre privaten Meinungen einer zentralen Instanz anvertrauen müssen.
Ein Forschungsteam am Central Institute of Technology in Kokrajhar, Indien, setzte sich zum Ziel, diese Probleme zu lösen, indem es ein neues System entwickelte, das den individuellen Geschmack respektiert, ohne die Privatsphäre zu gefährden. Sie schlugen eine Methode namens Federated Learning (Föderiertes Lernen) vor, eine Technik, die es Computern ermöglicht, aus Daten zu lernen, ohne dass diese Daten jemals vom Gerät des Nutzers bewegt werden müssen. Anstatt alle Bewertungen in einem einzigen riesigen Haufen zu sammeln, sendet das System ein intelligentes Computerprogramm an die Geräte der Nutzer. Das Programm lernt aus den lokal auf jedem Gerät gespeicherten Bewertungen, und nur die daraus gewonnenen Erkenntnisse – die mathematischen Anpassungen des Programms – werden an einen zentralen Server zurückgesendet. Die Rohdaten der Bewertungen, die persönlichen Meinungen, verlassen niemals das Telefon oder den Computer des Nutzers. Um diese Idee zu testen, erstellten die Forscher einen Datensatz von einhundert Website-Oberflächen, der sowohl Desktop- als als auch Mobilversionen von fünfzig verschiedenen Seiten umfasste, die von Regierungsportalen bis hin zu Shopping-Apps reichten. Sie baten dann einhundert Menschen, diese Bildschirme auf einer Skala von eins bis zehn zu bewerten. Die Teilnehmer repräsentierten eine Mischung aus Alter, Geschlecht und Beruf, um eine große Vielfalt an Perspektiven zu gewährleisten.
Die Forscher mussten zunächst das beste „Computergehirn“ finden, um die schwere Arbeit der Erkennung visueller Schönheit zu leisten. Sie testeten drei verschiedene Deep-Learning-Modelle, komplexe Systeme, die darauf ausgelegt sind, die Art und Weise nachzuahmen, wie das menschliche Auge Bilder verarbeitet. Nach umfangreichen Testläufen fanden sie heraus, dass ein Modell namens EfficientNet-B0 am effektivsten war. Es war schnell, benötigte weniger Rechenressourcen und lieferte die genauesten Vorhersagen. Die eigentliche Innovation lag jedoch darin, wie sie den menschlichen Faktor handhabten. Das Team stellte fest, dass Menschen Bewertungsskalen nicht auf die gleiche Weise nutzen. Manche Menschen neigen dazu, allem hohe Punktzahlen zu geben, während andere von Natur aus kritischer sind. Um dies zu beheben, entwickelten sie eine Methode, um die Bewertungen jeder einzelnen Person anzupassen, bevor der Computer von ihnen lernte. Sie berechneten, wie eine bestimmte Person im Vergleich zum Gruppendurchschnitt normalerweise bewertet, und verschoben deren Werte entsprechend. Dies ermöglichte es dem Computer, die wahre Form der Präferenz einer Person zu erlernen, anstatt nur deren Tendenz zur Großzügigkeit oder Strenge.
Um zu sehen, ob dieser Ansatz in einem realen Szenario funktioniert, teilten die Forscher die einhundert Teilnehmer in fünf verschiedene Gruppen basierend auf Geschlecht und Beruf ein: weiblich nicht berufstätig, weibliche Studierende, weibliche Berufstätige, männliche Studierende und männliche Berufstätige. Jede Gruppe fungierte als ein separater „Client“ im Federated-Learning-System. Der zentrale Server sendete das ursprüngliche EfficientNet-B0-Modell an jede dieser fünf Gruppen. Jede Gruppe trainierte das Modell auf ihren eigenen lokalen Daten und lernte, was ihr spezifisches Demografikum als schön empfand. Sobald das Training abgeschlossen war, sendeten die Gruppen ihre aktualisierten Modellgewichte an den Server zurück. Der Server kombinierte diese Aktualisierungen dann, um ein neues, intelligenteres globales Modell zu erstellen, das die Nuancen aller fünf Gruppen verstand. Dieser Zyklus wiederholte sich über dreiunddreißig Runden. Während dieses gesamten Prozesses sah das System niemals die Rohbewertungen; es sah nur die mathematischen Verbesserungen, die durch jede Gruppe erzielt wurden.
Die Ergebnisse zeigten, dass dieser datenschutzfreundliche Ansatz äußerst effektiv war. Das finale Modell erreichte eine sehr niedrige Fehlerrate, was bedeutet, dass seine Vorhersagen darüber, wie sehr eine Person eine Website mögen würde, den tatsächlichen Bewertungen der Nutzer extrem nahe kamen. Das System funktionierte besonders gut bei Gruppen mit ähnlichem Geschmack, wie etwa den nicht berufstätigen Frauen, behielt aber dennoch eine starke Genauigkeit bei Gruppen mit vielfältigeren Meinungen bei. Entscheidend war, dass die Forscher feststellten, dass die mobilen Versionen von Websites fast identisch zu ihren Desktop-Gegenstücken bewertet wurden, was darauf hindeutet, dass die Prinzipien der visuellen Attraktivität über verschiedene Bildschirmgrößen hinweg Bestand haben. Die Studie demonstrierte, dass es möglich ist, ein System zu bauen, das von einer Vielzahl von Menschen lernt, ohne jemals die privaten Daten dieser Menschen an einem zentralen Ort sammeln zu müssen. Durch die Verwendung eines einzigen globalen Modells, das durch eine kluge mathematische Anpassung der Bewertungen adaptiert wird, kann das System jedem eine personalisierte ästhetische Vorhersage bieten, unabhängig von dessen Hintergrund. Diese Arbeit legt nahe, dass die Zukunft des User-Interface-Designs auf Systemen beruhen könnte, die nicht nur intelligent genug sind, um Schönheit zu verstehen, sondern auch respektvoll genug, um persönliche Vorlieben privat zu halten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.