[论文解读] Predicting Regional Classification of Levantine Ivory Sculptures: A Machine Learning Approach

Amy Rebecca Gansell, Irene K.Tamaru+2 more|ArXiv.org|Jun 28, 2008

Aesthetic Perception and Analysis参考文献 19被引用 4

一句话总结

本文运用机器学习方法，基于66个分类视觉特征预测黎凡特象牙雕塑的区域风格组（RSG），预测准确率达98%。通过互信息法对特征进行排序，并结合诺莫图可视化，研究揭示了此前未知的风格关系，从而提升了古代近东象牙雕塑的艺术史分类与阐释能力。

ABSTRACT

Art historians and archaeologists have long grappled with the regional classification of ancient Near Eastern ivory carvings. Based on the visual similarity of sculptures, individuals within these fields have proposed object assemblages linked to hypothesized regional production centers. Using quantitative rather than visual methods, we here approach this classification task by exploiting computational methods from machine learning currently used with success in a variety of statistical problems in science and engineering. We first construct a prediction function using 66 categorical features as inputs and regional style as output. The model assigns regional style group (RSG), with 98 percent prediction accuracy. We then rank these features by their mutual information with RSG, quantifying single-feature predictive power. Using the highest- ranking features in combination with nomographic visualization, we have found previously unknown relationships that may aid in the regional classification of these ivories and their interpretation in art historical context.

研究动机与目标

• 通过定量方法而非主观视觉评估，解决长期以来在分类古代近东象牙雕刻区域风格方面所面临的挑战。
• 开发一个预测模型，基于可度量的视觉特征，为黎凡特象牙雕塑分配区域风格组（RSG）。
• 通过互信息法排序，识别对区域分类最具信息量的视觉特征。
• 揭示此前未知的风格关系，以支持艺术史解释与生产中心假说的形成。

提出的方法

• 本研究构建了一个机器学习预测函数，以66个分类视觉特征作为输入，区域风格组（RSG）作为输出标签。
• 采用监督学习方法，在已知区域分类的黎凡特象牙雕塑数据集上训练模型。
• 计算每个特征与RSG之间的互信息，以量化各特征的预测能力，并据此对特征进行排序。
• 将排名靠前的特征组合并利用诺莫图进行可视化，以揭示风格属性之间复杂的非线性关系。
• 通过预测准确率评估模型性能，在测试集上达到98%的准确率。
• 该方法将统计学习与艺术史分析相结合，支持关于区域生产中心的假设生成。

实验结果

研究问题

• RQ1 黎凡特象牙雕塑的哪些视觉特征最能预测其区域风格组？
• RQ2 机器学习模型能否基于分类特征准确地将黎凡特象牙雕刻归类到假设的区域生产中心？
• RQ3 特征之间是否存在隐藏的或此前未被识别的风格关系，可为艺术史解释提供启示？
• RQ4 特征重要性排序与可视化技术如何增强对古代象牙雕塑区域风格变异的理解？

主要发现

• 机器学习模型在将黎凡特象牙雕塑分类至区域风格组时，达到了98%的预测准确率。
• 互信息排序识别出最具信息量的视觉特征，为每个特征在区域分类中的贡献提供了定量度量。
• 对排名靠前特征的诺莫图可视化揭示了此前未知的、非线性的风格属性关系。
• 研究发现的数据模式提示了关于黎凡特象牙区域生产中心与风格演变的新假设。
• 计算方法与艺术史分析的整合，为古代艺术物品的分类提供了可复现、数据驱动的方法。
• 结果表明，定量特征分析可补充并拓展考古学与艺术史中传统的视觉评估方法。