💻 ciência da computação

CART Rule-Guided Diffusion and AI-Synthesized User Preferences for New Media Art Generation

Este artigo propõe um modelo de difusão guiado por regras CART que utiliza uma GAN condicional para sintetizar dados de preferência de usuários em larga escala e integra regras de árvores de decisão interpretáveis ao processo de amostragem de difusão, aumentando significativamente a qualidade estética e a personalização da geração de novas mídias artísticas, ao mesmo tempo em que supera as barreiras éticas e de custo da coleta de dados humanos.

Autores originais: Caixian Ye, Lijun Xu, Jun Tang

Publicado 2026-10-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Caixian Ye, Lijun Xu, Jun Tang

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A arte sempre foi uma conversa entre o criador e o espectador, um diálogo onde o significado é compartilhado e as emoções são sentidas. Nos últimos anos, a inteligência artificial juntou-se a esta conversa, sendo capaz de pintar imagens que parecem tão reais quanto fotografias ou tão estilizadas quanto um sonho. No entanto, permanece uma frustração silenciosa. Embora estas máquinas consigam produzir imagens tecnicamente perfeitas, muitas vezes têm dificuldade em compreender o que uma pessoa específica considera belo. Elas geram conteúdo que é competente, mas emocionalmente plano, oferecendo um menu de opções a partir do qual o utilizador deve escolher passivamente, em vez de antecipar o que esse utilizador realmente quer ver. Este fosso entre a habilidade técnica e o gosto pessoal é o desafio central que os investigadores tentam agora resolver.

Uma equipa de investigadores da Universidade de Xinhua, em Guangzhou, propôs uma nova forma de colmatar esta divisão, indo além da simples seleção para a criação ativa e personalizada. O trabalho deles foca-se num tipo específico de inteligência artificial conhecido como modelo de difusão, que constrói imagens ao remover gradualmente o ruído de uma nuvem caótica de píxeis até que surja uma imagem clara. A inovação reside em como guiam este processo. Em vez de deixarem a máquina vagar livremente, ensinam-na a seguir um conjunto de regras interpretáveis derivadas do gosto humano. Para o fazer, tiveram primeiro de resolver um grande obstáculo: reunir opiniões humanas suficientes para treinar o sistema sem o custo imenso e as complicações éticas de inquéstar milhares de pessoas reais.

Os investigadores começaram com uma pequena semente de dados reais, consistindo em apenas dois mil imagens que tinham sido classificadas por especialistas humanos em várias qualidades artísticas, como harmonia de cores e composição. A partir deste modesto ponto de partida, utilizaram uma inteligência artificial secundária para criar uma população virtual de dez mil utilizadores simulados. Estes agentes digitais geraram meio milhão de registos de preferência, criando efetivamente uma vasta biblioteca de gosto que espelhava os dados de semente humanos reais. A equipa verificou que esta biblioteca sintética era estatisticamente indistinguível do original real, garantindo que a máquina estava a aprender a partir de uma representação fiel da preferência humana e não de uma imitação distorcida.

Com esta vasta biblioteca de preferências em mãos, os investigadores treinaram uma árvore de decisão, um tipo de algoritmo que classifica a informação através de uma série de perguntas simples de sim ou não, tal como um fluxograma. Esta árvore aprendeu a identificar as combinações específicas de características que levavam a pontuações estéticas elevadas. Crucialmente, a equipa não utilizou apenas estas regras para filtrar as imagens más depois de serem feitas. Em vez disso, converteram as regras num sinal suave e contínuo que foi injetado diretamente no processo de criação da imagem. À medida que a máquina construía uma imagem passo a passo, este sinal atuava como um subtil empurrão, direcionando a geração para o estilo e a qualidade específicos que os utilizadores virtuais preferiam. Foi uma mudança de pedir à máquina para adivinhar o que você gosta, para ensinar como ela pode sentir o seu gosto enquanto trabalha.

Para garantir que o sistema continuasse a melhorar, os investigadores construíram um mecanismo de feedback de ciclo fechado. Depois de a máquina gerar um conjunto de imagens, os utilizadores virtuais classificavam-nas, e o sistema utilizava estas pontuações para ajustar ligeiramente a importância das regras que estava a seguir. Isto permitiu que o modelo refinasse a sua própria compreensão ao longo do tempo, convergindo para uma estratégia que produzia arte de maior qualidade e mais personalizada a cada iteração. Os resultados foram significativos. Quando comparada com outros métodos de topo, esta nova abordagem produziu imagens que não eram apenas mais próximas do estilo desejado, mas também de qualidade geral superior. O sistema reduziu a distância entre a arte gerada e o ideal estético em quase quatorze por cento e melhorou a precisão da correspondência com as preferências do utilizador em quase dez por cento.

O estudo também revelou que cada parte do seu sistema era essencial. Remover a árvore de decisão causou uma queda notável na qualidade das imagens, provando que as regras forneciam orientação necessária. Remover a biblioteca de dados sintéticos forçou o sistema a treinar muito mais tempo e com menos sucesso, mostrando o valor da população virtual expandida. E remover o ciclo de feedback significou que o sistema não conseguia refinar a sua abordagem, destacando a importância do ajuste contínuo. Os investigadores descobriram que o seu método era também muito mais eficiente, treinando numa fração do tempo exigido por outros modelos complexos.

Embora os resultados sejam promissores, os autores advertem cuidadosamente que estas conquistas foram medidas num ambiente simulado. Os utilizadores virtuais, embora estatisticamente fiéis, não podem capturar totalmente as nuances complexas, emocionais e culturais da apreciação artística humana real. A equipa delineou um plano para testar o seu sistema com pessoas reais num ambiente controlado e, posteriormente, através de um grande estudo online para confirmar que as melhorias se mantêm no mundo real. Até lá, este trabalho constitui uma demonstração poderosa de que, ao combinar regras interpretáveis com dados sintéticos, é possível ensinar as máquinas a criar arte que pareça menos um output de máquina e mais uma expressão pessoal.

Resumo Técnico: Regras CART para Orientação de Difusão e Preferências de Usuário Sintetizadas por IA para Geração de Nova Mídia Artística

1. Definição do Problema

Embora o conteúdo gerado por IA (AIGC) e os modelos de difusão tenham alcançado uma qualidade quase fotográfica, os pipelines atuais permanecem amplamente "centrados no comportamento", produzindo saídas homogêneas que carecem de um alinhamento profundo com as preferências estéticas individuais. O artigo identifica dois obstáculos estruturais primários para o AIGC orientado por preferências:

Escassez de Dados e Fricção Ética: Treinar modelos personalizados normalmente requer dados de escala humana em larga escala, que são caros para coletar, difíceis de escalar e repletos de considerações éticas relativas à privacidade e ao viés.
Falta de Orientação Interpretável: Os métodos existentes frequentemente tratam as preferências do usuário como filtros post-hoc ou dependem de preditores de caixa-preta. Há uma falta de mecanismos para injetar orientação interpretável, baseada em regras, diretamente na trajetória de amostragem da difusão em tempo real.

2. Metodologia

Os autores propõem um framework que integra três componentes principais: um pool de usuários virtuais baseado em CGAN, um modelo de difusão orientado por regras CART e um mecanismo de feedback de malha fechada (closed-loop).

A. Preferências de Usuário Sintetizadas por IA (CGAN)

Para superar a escassez de dados, os autores constroem uma Rede Adversária Generativa Condicional (CGAN) para sintetizar um pool de usuários virtuais.

Dados Semente: Um pequeno conjunto de dados de usuários reais ( $N=2.000$ ) é reunido do WikiArt e ArtBench-10, anotado por três especialistas em cinco dimensões estéticas (harmonia de cores, novidade de composição, etc.) através de 12 estilos distintos de nova mídia artística.
Síntese: A CGAN é treinada para mapear um vetor de condição (rótulo de estilo, codificação de idade, tipo de preferência) e ruído para um vetor de preferência.
Escala: Este processo gera 10.000 agentes de usuários virtuais, cada um avaliando 50 estilos aleatórios, resultando em $5 \times 10^5$ registros de preferência.
Validação: Os dados sintéticos são validados contra os dados semente usando divergência de Kullback–Leibler ( $D_{KL} < 0,05$ ), Discrepância de Média Máxima (MMD $< 0,01$ ) e Distância de Fréchet (desvio de FD $< 10\%$ ), confirmando a fidelidade estatística.

B. Difusão Orientada por Regras CART

O framework converte a modelagem de preferência em um sinal de orientação diferenciável para o processo de difusão.

Extração de Regras: Uma árvore de decisão CART (Classification and Regression Tree) é treinada nos dados de preferência sintéticos. A árvore particiona o espaço de características em regras "se–então" ancoradas em nós folha.
Injeção Diferenciável: Como as regras CART padrão são discretas e não diferenciáveis, os autores definem uma "medida de violação suave" usando uma função sigmoide para criar uma métrica de distância contínua e diferenciável ( $d_r(x)$ ).
Sinal de Gradiente: Estas regras são convertidas em uma função de restrição composta $C(x; R)$ . O gradiente do log-restrição, $\nabla_{x_t} \log C(x_t; R)$ , é injetado na trajetória de amostragem reversa do backbone Stable Diffusion 1.5 em cada $K$ -ésimo passo de denoising.
Fórmula: O passo de atualização é modificado como:
$x_{t-1} = \mu(x_t) + \sigma_t \cdot \epsilon + \lambda \cdot \nabla_{x_t} \log C(x_t; R)$
onde $\lambda$ é a força da orientação da regra.

C. Mecanismo de Feedback de Malha Fechada

Um coordenador atualiza iterativamente o sistema para refinar os pesos das regras sem o retreinamento de toda a estrutura da árvore.

Processo: O sistema executa um ciclo de geração $\rightarrow$ pontuação do agente $\rightarrow$ feedback de desvio $\rightarrow$ atualização de regra.
Otimização: O coordenador congela a estrutura CART, mas ajusta incrementalmente os pesos de previsão dos nós folha e os valores de confiança com base nos desvios de pontuação.
Terminação: O loop termina quando a distância de Fréchet Inception (FID) de validação falha em melhorar por cinco rodadas consecutivas.

3. Principais Contribuições

O artigo delineia três contribuições coordenadas:

Síntese de Preferência Escalável: Substituição do gargalo de sujeitos humanos por um gerador de usuários virtuais baseado em CGAN que escala um semente de 2.000 amostras para 500.000 registros sintéticos, mantendo a fidelidade distributiva.
Orientação de Regra Diferenciável: Elevação das regras CART de filtros discretos e offline para um sinal de gradiente diferenciável injetado diretamente no processo de difusão reversa, permitindo orientação dinâmica online.
Feedback Co-evolutivo: Implementação de um coordenador de malha fechada que permite que o conjunto de regras co-evolua com os artefatos gerados através de atualizações de peso iterativas, em vez de uma triagem estática pós-processamento.

4. Resultados Experimentais

O modelo proposto foi avaliado contra cinco baselines (AIGC-only, CF-AIGC, MLP-AIGC, RF-AIGC, DDTs-AIGC) e três variantes de ablação.

Métricas de Desempenho: O modelo proposto alcançou:
- FID: 29,56 (melhoria de 13,8% sobre o baseline mais forte, RF-AIGC).
- Precisão de Preferência (PA): 0,734 (melhoria de 9,4%).
- Taxa de Acerto@3 (Hit Rate@3): 0,512 (melhoria de 19,6%).
- Eficiência: O tempo de treinamento foi reduzido em 78% em comparação ao MLP e 74% em relação ao Random Forest.
Estudos de Ablação:
- A remoção do módulo CART aumentou o FID em 14,5% e reduziu a PA em 15,8%, confirmando a necessidade da compressão baseada em regras.
- A remoção do CGAN (treinamento apenas em dados reais) dobrou os épocas de convergência (de 87 para 189) e aumentou o FID em 29,3%, destacando o papel dos dados sintéticos na expansão da cobertura estética.
- A remoção do Malha Fechada (Closed-Loop) resultou em uma degradação menor, porém mensurável, indicando que o loop fornece otimização incremental.
Convergência: O sistema de malha fechada demonstrou melhoria monotônica no FID, estabilizando após aproximadamente cinco iterações.

5. Significância e Alegações

O artigo afirma que a integração da orientação baseada em regras interpretáveis com dados de preferência sintetizados por IA melhora significativamente tanto a qualidade estética quanto a personalização das saídas de AIGC.

Insight Teórico: O sucesso do CART sobre redes neurais (MLP/RF) sugere que o particionamento recursivo binário é estruturalmente isomorfo à natureza hierárquica do julgamento estético humano (percepção $\rightarrow$ classificação $\rightarrow$ avaliação), oferecendo fronteiras de decisão lineares por partes que melhor se ajustam a distribuições de preferência não convexas.
Impacto Prático: O framework oferece uma alternativa reprodutível e de baixo custo aos pipelines de avaliação humana, reduzindo a barreira de entrada para pequenos estúdios. A natureza leve da orientação por regras (latência de ~4,3s) suporta instalações de nova mídia em tempo real.
Modéstia e Limitações: Os autores reconhecem explicitamente que os resultados atuais baseiam-se em um pool de usuários virtuais e ainda não foram validados contra sujeitos humanos reais. Eles observam que dados sintéticos não podem codificar fatores cognitivos de ordem superior, como ressonância emocional ou contexto cultural. Consequentemente, os ganhos relatados quantificam o desempenho em relação à distribuição sintética, e os autores propõem um estudo de duas etapas pré-registrado (em laboratório e online transcultural) para validar a validade ecológica antes da implantação no mundo real.