💻 informatica

Aesthetics Prediction of Websites using Federated Learning

Dit artikel stelt een op Federated Learning gebaseerde aanpak voor met behulp van EfficientNet-B0 om de esthetiek van website-interfaces te voorspellen door individuele gebruikersvoorkeuren over vijf demografische groepen te integreren, waarbij een veelbelovende gemiddelde kwadratische fout van 0,0534 wordt bereikt terwijl de beperkingen van gecentraliseerde gegevensverzameling en gemiddelde beoordelingen worden overwonnen.

Oorspronkelijke auteurs: Ranjan Maity, Jahnavi Roy, Rahul Son Boro, Deepali Borgayary

Gepubliceerd 2026-10-19

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Ranjan Maity, Jahnavi Roy, Rahul Son Boro, Deepali Borgayary

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

We leven in een wereld waarin het uiterlijk van een digitaal scherm even belangrijk is als wat het doet. Nog voordat iemand een enkel woord op een website of app heeft gelezen, heeft hun brein al een mening gevormd of het aantrekkelijk of afstotend is. Dit oordeel in een fractie van een seconde, vaak gevormd in minder dan een oogwenk, kan bepalen of een gebruiker blijft om te verkennen of direct vertrekt. Voor ontwerpers creëert dit een moeilijke uitdaging: schoonheid is diep persoonlijk. Wat de één elegant vindt, vindt de ander misschien rommelig of saai. Traditioneel hebben onderzoekers, om deze voorkeuren te begrijpen, duizenden mensen verzameld om afbeeldingen te beoordelen, om vervolgens de scores te middelen om een "algemene" mening te vinden. Maar deze aanpak heeft een gebrek. Door ieders smaak te vermengen in één enkel getal, wordt de unieke voorkeur van individuen uitgewist. Het gaat ervan uit dat een student, een werkende professional en een gepensioneerde de wereld op dezelfde manier zien, wat zelden waar is. Bovendien roept het verzamelen van al deze persoonlijke beoordelingen in één centrale database zorgen op over privacy, omdat gebruikers hun privémeningen moeten overhandigen aan een centrale autoriteit.

Een team onderzoekers aan het Central Institute of Technology in Kokrajhar, India, zette zich af tegen deze problemen door een nieuw soort systeem te bouwen dat individuele smaak respecteert zonder de privacy in gevaar te brengen. Ze stelden een methode voor genaamd Federated Learning, een techniek waarmee computers kunnen leren van gegevens zonder die gegevens ooit van het apparaat van de gebruiker te verplaatsen. In plaats van alle beoordelingen in één grote hoop te verzamelen, stuurt het systeem een slim computerprogramma naar de apparaten van de gebruikers. Het programma leert van de beoordelingen die lokaal op elk apparaat zijn opgeslagen, en alleen de lessen die zijn geleerd—de wiskundige aanpassingen aan het programma—worden teruggestuurd naar een centrale server. De ruwe beoordelingen, de persoonlijke meningen, verlaten de telefoon of computer van de gebruiker nooit. Om dit idee te testen, creëerden de onderzoekers een dataset van honderd website-interfaces, waarbij zowel desktop- als mobiele versies van vijftig verschillende sites werden vastgelegd, variërend van overheidsportalen tot winkel-apps. Vervolgens vroegen ze honderd mensen om deze schermen te beoordelen op een schaal van één tot tien. De deelnemers vertegenwoordigden een mix van leeftijden, geslachten en beroepen, wat zorgde voor een breed scala aan perspectieven.

De onderzoekers moesten eerst de beste "computerhersen" vinden om het zware werk van het herkennen van visuele schoonheid te doen. Ze testten drie verschillende deep learning-modellen, complexe systemen die ontworpen zijn om na te bootsen hoe het menselijk oog beelden verwerkt. Na uitgebreide proeven kwamen ze erachter dat een model genaamd EfficientNet-B0 het meest effectief was. Het was snel, vereiste minder rekenkracht en produceerde de meest nauwkeurige voorspellingen. De echte innovatie lag echter in de manier waarop ze de menselijke factor aanpakten. Het team realiseerde zich dat mensen beoordelingsschalen niet op dezelfde manier gebruiken. Sommige mensen hebben de neiging om alles hoge scores te geven, terwijl anderen van nature kritischer zijn. Om dit op te lossen, ontwikkelden ze een manier om de beoordelingen van elke persoon aan te passen voordat de computer ervan leerde. Ze berekenden hoe een specifiel persoon normaal gesproken beoordeelt in vergelijking met het groepsgemiddelde en verschoven hun scores dienovereenkomstig. Dit stelde de computer in staat om de ware vorm van iemands voorkeur te leren, in plaats van alleen hun neiging om gul of streng te zijn.

Om te zien of deze aanpak werkte in een scenario uit de echte wereld, verdeelden de onderzoekers de honderd deelnemers in vijf afzonderlijke groepen op basis van hun geslacht en beroep: niet-werkende vrouwen, vrouwelijke studenten, werkende vrouwen, mannelijke studenten en werkende mannen. Elke groep fungeerde als een aparte "client" in het Federated Learning-systeem. De centrale server stuurde het initiële EfficientNet-B0-model naar elke van de vijf groepen. Elke groep trainde het model op hun eigen lokale gegevens, waarbij ze leerden wat hun specifieke demografie mooi vond. Zodra de training voltooid was, stuurden de groepen hun bijgewerkte modelgewichten terug naar de server. De server combineerde deze updates vervolgens om een nieuw, slimmer globaal model te creëren dat de nuances van alle vijf de groepen begreep. Deze cyclus werd dertig-en-een-derde keer herhaald. Gedurende dit proces zag het systeem nooit de ruwe beoordelingen; het zag alleen de wiskundige verbeteringen die door elke groep waren gemaakt.

De resultaten toonden aan dat deze privacy-bewarende aanpak zeer effectief was. Het uiteindelijke model bereikte een zeer lage foutmarge, wat betekent dat de voorspellingen van hoe erg een persoon een website zou waarderen, extreem dicht bij de werkelijke beoordelingen van de gebruikers lagen. Het systeem presteerde bijzonder goed voor groepen met meer gelijkaardige smaken, zoals de niet-werkende vrouwelijke deelnemers, terwijl het nog steeds een sterke nauwkeurigheid behield voor groepen met meer diverse meningen. Cruciaal was dat de onderzoekers ontdekten dat de mobiele versies van websites bijna identiek werden beoordeeld aan hun desktop-tegenhangers, wat suggereert dat de principes van visuele aantrekkingskracht standhouden over verschillende schermformaten heen. De studie toonde aan dat het mogelijk is om een systeem te bouwen dat leert van een grote verscheidenheid aan mensen zonder ooit de noodzaak te hebben om hun privégegevens op een centrale locatie te verzamelen. Door een enkel globaal model te gebruiken dat wordt aangepast via een slimme wiskundige aanpassing van beoordelingen, kan het systeem gepersonaliseerde esthetische voorspellingen bieden aan iedereen, ongeacht hun achtergrond. Dit werk suggereert dat de toekomst van user interface design kan rusten op systemen die niet alleen slim genoeg zijn om schoonheid te begrijpen, maar ook respectvol genoeg zijn om persoonlijke voorkeuren privé te houden.

Technische Samenvatting: Esthetiekvoorspelling van Websites middels Federated Learning

Probleemstelling
De visuele esthetiek van gebruikersinterfaces (UI) is cruciaal voor de tevredenheid en betrokkenheid van gebruikers, maar esthetische perceptie is inherent subjectief en varieert aanzienlijk tussen individuen door factoren zoals leeftijd, geslacht en beroep. Bestaande computationele benaderingen voor esthetiekvoorspelling vertrouwen doorgaans op gecentraliseerde gegevensverzameling en aggregeren populatieniveau-beoordelingen om één enkele "gemiddelde" esthetische score te produceren. Deze methodologie houdt geen rekening met interindividuele variabiliteit en negeert persoonlijke voorkeuren. Bovendien zijn traditionele methoden zoals enquêtes en heuristische evaluaties tijdrovend, moeilijk schaalbaar en gevoelig voor menselijke bias. Hoewel deep learning-modellen veelbelovend zijn gebleken voor de esthetische beoordeling van afbeeldingen, missen ze over het algemeen mechanismen om de non-IID (niet-onafhankelijke en niet-identiek verdeelde) aard van esthetische gegevens over diverse gebruikersgroepen heen te verwerken zonder de privacy in gevaar te brengen of massale gecentraliseerde datasets te vereisen.

Methodologie
De auteurs stellen een privacy-bewarend framework voor voor gepersonaliseerde UI-esthetiekvoorspelling met behulp van Federated Learning (FL). De methodologie verloopt via de volgende fasen:

Dataset Constructie:
- Een aangepaste dataset van 100 website-interfaces werd gecreëerd, bestaande uit 50 desktop- en 50 mobiele versies van dezelfde sites over tien diverse domeinen (bijv. overheid, e-commerce, nieuws).
- Screenshots werden vastgelegd op standaardresoluties (1920x1080 voor desktop; 640x1136 voor mobiel).
- 100 deelnemers beoordeelden deze 100 interfaces met behulp van een 10-punts Likert-schaal. De Latin Square-methode werd toegepast om volgorde-bias te mitigeren.
- Statistische analyse (gepaarde t-toets) bevestigde geen significant verschil in esthetische beoordelingen tussen desktop- en mobiele versies ( $p > 0,05$ ), waardoor ze als een verenigde dataset behandeld konden worden.
Selectie van het Basismodel:
- Drie architecturen werden geëvalueerd: EfficientNet-B0, ResNet-50 en Vision Transformer (ViT-B/16).
- EfficientNet-B0 werd gekozen als het basismodel vanwege de superieure prestaties, lagere computationele kosten en minder parameters, wat het geschikt maakt voor edge-implementatie.
- Het model werd aangepast voor regressie door de laatste classificatielaag te vervangen door een enkele lineaire eenheid om een continue esthetische score te voorspellen.
Gegevensvoorverwerking en Personalisatie:
- Afbeeldingsvoorverwerking: Inputs werden geresized naar 224x224, geaugmenteerd met milde willekeurige flips, rotaties en kleurjitter, en genormaliseerd met behulp van ImageNet-statistieken.
- Beoordelingsnormalisatie (Kernbijdrage): Om subjectiviteit aan te pakken, werd een gebruikersspecifieke normalisatiestrategie geïmplementeerd. Ruwe beoordelingen werden aangepast door de gemiddelde beoordelingstendens van de gebruiker te verwijderen en ze opnieuw te centreren rond het globale gemiddelde ( $r_{centered} = r_{raw} - \mu_u + \mu_g$ ). Deze waarden werden vervolgens via min-max schaling naar het [0, 1]-interval gebracht. Dit stelt het model in staat om relatieve voorkeuren te leren in plaats van absolute scores.
Federated Learning Architectuur:
- Clients: De 100 gebruikers werden gegroepeerd in vijf demografische clients gebaseerd op de intersectie van geslacht en beroep: Vrouw Niet-werkend, Vrouw Student, Vrouw Werkend, Man Student, en Man Werkend.
- Algoritme: Het Federated Averaging (FedAvg) algoritme werd gebruikt. Een centrale server initialiseert het globale EfficientNet-B0 model met ImageNet-1K pre-trained gewichten.
- Trainingsproces: In elke communicatieronde distribueert de server het globale EfficientNet-B0 model naar de vijf clients. Elke client traint lokaal voor één epoch met zijn specifieke demografische data. Alleen de bijgewerkte modelgewichten (niet de ruwe data) worden teruggestuurd naar de server.
- Aggregatie: De server berekent een gewogen gemiddelde van de client-gewichten, evenredig aan het aantal trainingssamples per client, om het globale model bij te werken.
- Hyperparameters: Training maakte gebruik van de AdamW optimizer ( $1 \times 10^{-4}$ leersnelheid), Mean Squared Error (MSE) loss, en Automatic Mixed Precision (AMP). Early stopping werd getriggerd als de validatie loss niet gedurende 10 opeenvolgende rondes verbeterde.

Belangrijkste Resultaten

Convergentie: Het globale model convergeerde na 33 communicatierondes. De validatie Mean Squared Error (MSE) daalde van 0,0702 in ronde 1 naar een uiteindelijke 0,0534 op de genormaliseerde [0, 1]-schaal.
Prestatie-indicatoren: Het uiteindelijke model bereikte een RMSE van 0,2312 en een MAE van 0,1837.
Client-wijze Variatie: Prestaties varieerden per demografische groep, wat de interne voorkeursdiversiteit weerspiegelt. De groep "Vrouw Niet-werkend" behaalde de laagste fout (MSE = 0,0169), terwijl de groep "Vrouw Werkend" de hoogste liet zien (MSE = 0,0890). De auteurs merken op dat groepen met een hogere interne diversiteit van nature hogere foutpercentages opleveren.
Foutverdeling: Voorspellingsfouten waren ongeveer normaal verdeeld rond nul, waarbij de meerderheid van de fouten binnen $\pm0,15$ viel op de genormaliseerde schaal (ongeveer $\pm1,35$ punten op de oorspronkelijke 1–10 schaal).

Significantie en Claims
Het artikel presenteert een framework voor gepersonaliseerde UI-esthetiekvoorspelling met behulp van Federated Averaging (FedAvg), een EfficientNet-B0 backbone, en een gebruikersadaptieve beoordelingsnormalisatie-pipeline. Het systeem distribueert het leerproces over vijf demografische clientgroepen, waardoor wordt gewaarborgd dat ruwe gebruikersbeoordelingsgegevens nooit het lokale apparaat verlaten. De auteurs demonstreren dat een enkel globaal model effectief diverse gebruikers kan bedienen zonder gecentraliseerde gegevenspooling. Personalisatie wordt bereikt door de beoordelingstransformatie-pipeline (gebruikers-gemiddelde centrering en demografische groep-bias herinjectie) in plaats van het onderhouden van aparte lokale modellen.

De auteurs erkennen echter expliciet een prominente beperking: het globale model heeft een neiging om scores te voorspellen die geconcentreerd zijn rond het gemiddelde van de dataset (ongeveer 0,5–0,6 op de genormaliseerde 0-tot-1 schaal). Het huidige systeem vertrouwt uitsluitend op de beoordelingstransformatie-pipeline voor personalisatie en voert geen cliënt-specifieke fine-tuning of lokale head-personalisatie uit na federated training.

Beperkingen
De auteurs erkennen bescheiden een beperking: het globale model heeft de neiging om scores te voorspellen die geconcentreerd zijn rond het gemiddelde van de dataset (0,5–0,6 op de genormaliseerde schaal). De huidige implementatie vertrouwt uitsluitend op de beoordelingstransformatie-pipeline voor personalisatie en voert geen cliënt-specifieke fine-tuning of lokale head-personalisatie uit na federated training.

Technische Samenvatting: Esthetiekvoorspelling van Websites middels Federated Learning

Meer zoals dit