Aesthetics Prediction of Websites using Federated Learning
本文提出了一种基于联邦学习的方法，利用 EfficientNet-B0 通过整合五个人口统计群体的个体用户偏好来预测网站界面美学，在克服中心化数据收集和平均评分局限性的同时，实现了 0.0534 这一具有前景的均方误差。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
我们生活在一个数字屏幕的外观与其实际功能同样重要的世界。在一个人阅读网站或应用程序上的任何文字之前，他们的大脑就已经对该界面是悦目还是令人不悦形成了看法。这种在不到一眨眼的瞬间做出的瞬时判断，可以决定用户是留下继续探索，还是立即离开。对于设计师而言，这构成了一个难题：美感具有深刻的个人属性。一个人认为优雅的设计，在另一个人眼中可能显得杂乱或乏味。传统上，为了理解这些偏好，研究人员会收集成千上万人的评分，然后取平均值以寻找一种“普遍”观点。但这种方法存在缺陷。通过将所有人的品味融合为一个单一的数字，它抹杀了个人的独特偏好。它假设学生、职场人士和退休人员看待世界的方式都是相同的，而事实并非如此。此外，将所有这些个人评分收集到一个中央数据库中会引发隐私担忧，因为这要求用户将他们的私人意见交给一个中央机构。
来自印度科克拉贾尔中央理工学院的一个研究小组致力于解决这些问题，他们构建了一种既尊重个人品味又不损害隐私的新型系统。他们提出了一种名为联邦学习（Federated Learning）的方法，这种技术允许计算机从数据中学习，而无需将数据从用户的设备中移动。系统并不是将所有评分收集到一个巨大的堆栈中，而是向用户的设备发送一个智能计算机程序。该程序从存储在每个设备上的本地评分中学习，并且只有学到的知识——即程序的数学调整——会被发送回中央服务器。原始评分，即个人的观点，永远不会离开用户的手机或电脑。为了测试这个想法，研究人员创建了一个包含一百个网站界面的数据集，涵盖了五十个不同网站（从政府门户网站到购物应用）的桌面版和移动版。随后，他们邀请了一百人对这些屏幕进行一到十分的评分。参与者涵盖了不同的年龄、性别和职业，确保了视角的广泛性。
研究人员首先需要找到最适合执行识别视觉美感这一繁重任务的“计算机大脑”。他们测试了三种不同的深度学习模型，这些复杂的系统旨在模拟人类眼睛处理图像的方式。经过广泛的试验，他们发现名为 EfficientNet-B0 的模型最为有效。它运行速度快，所需的计算资源较少，且预测最为准确。然而，真正的创新在于他们如何处理人类因素。团队意识到，人们使用评分标准的方式并不相同。有些人倾向于给所有事物都打高分，而另一些人则天生比较挑剔。为了解决这个问题，他们开发了一种在计算机学习之前对个人评分进行调整的方法。他们计算出特定的人相对于群体平均水平通常是如何评分的，并据此平移其分数。这使得计算机能够学习到一个人偏好的真实形态，而不仅仅是其慷慨或严苛的倾向。
为了观察这种方法在现实场景中的效果，研究人员根据性别和职业将一百名参与者分为五个不同的组：女性非从业人员、女性学生、女性从业人员、男性学生以及男性从业人员。每个组在联邦学习系统中充当一个独立的“客户端”。中央服务器将初始的 EfficientNet-B0 模型发送到这五个组。每个组都在自己的本地数据上训练模型，学习其特定人口统计特征所认为的美感。训练完成后，各组将更新后的模型权重发送回服务器。服务器随后结合这些更新来创建一个新的、更智能的全局模型，该模型能够理解所有五个组的细微差别。这个循环重复了三十三轮。在整个过程中，系统从未见过原始评分；它看到的只是每个组所做的数学改进。
结果表明，这种保护隐私的方法非常有效。最终的模型达到了极低的误差率，这意味着它对用户会喜欢某个网站程度的预测，与用户给出的实际评分极其接近。该系统在口味较为相似的群体（如女性非从业人员）中表现尤为出色，同时在面对观点较为多样化的群体时仍能保持很高的准确性。至关重要的是，研究人员发现移动版网站的评分与桌面版几乎完全一致，这表明视觉吸引力的原则在不同屏幕尺寸下依然适用。该研究证明，建立一个既能从广泛人群中学习，又无需在中央位置收集个人隐私数据的系统是可行的。通过使用一个通过巧妙的评分数学调整而适应的单一全局模型，该系统可以为任何人提供个性化的审美预测，无论其背景如何。这项工作表明，未来用户界面设计的核心可能依赖于这样一种系统：它不仅足够聪明以理解美，而且足够尊重以保护个人偏好的隐私。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。