• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Studien använder neurala nätverk för att definiera Dada

    Tio sidor från Dada-tidskrifter klassificerade som "Dada" av det neurala nätverket. Kredit:Cornell University

    För att göra en dadaistisk dikt, konstnären Tristan Tzara sa en gång, klipp ut varje ord i en tidningsartikel. Lägg orden i en påse och skaka. Ta bort orden från påsen ett i taget, och skriv ner dem i den ordningen.

    Denna "påse med ord"-metoden är inte helt olik hur artificiell intelligens algoritmer identifierar ord och bilder, dela upp dem i komponenter ett steg i taget. Likheten inspirerade Cornell-forskare att undersöka om en algoritm kunde tränas för att skilja digitaliserade dadaistiska tidskrifter från icke-dadaavantgardetidskrifter – en formidabel uppgift, med tanke på att många anser Dada i sig odefinierbar.

    Men algoritmen – ett konvolutionellt neuralt nätverk som vanligtvis används för att identifiera vanliga bilder – fungerade bättre än slumpmässigt. Den identifierade korrekt Dada-journalsidor 63 procent av tiden och icke-Dada-sidor 86 procent av gångerna.

    "Vårt mål är inte nödvändigtvis att få "rätt" svar, utan snarare att använda beräkning för att tillhandahålla en utomjording, förvant perspektiv, " skrev forskarna i "Computational Cut-Ups:The Influence of Dada, " som publicerades i Journal of Modern Periodical Studies i januari. "Kan ett verktyg designat för att identifiera hundar användas för att utforska avantgardet?"

    De försökte också ge ett exempel på hur stora samlingar av bilder kan analyseras, sa Laure Thompson, doktorand i datavetenskap, som skrev artikeln tillsammans med David Mimno, biträdande professor i informationsvetenskap.

    Textutvinning – att söka i stora delar av digitaliserad text efter vissa ord eller fraser – har blivit allmänt använt inom den digitala humaniora, men det är mycket svårare att söka efter bilder.

    "Text har mycket bekväma funktioner – de kallas ord. Och vi kan se dem väldigt snabbt på grund av mellanrummen mellan dem, ", sa Thompson. "Medan en bild till en dator bara är en stor matris av siffror, och det är känt för att inte vara särskilt meningsfullt."

    Thompson och Mimno tränade sitt neurala nätverk på dadaistiska tidskrifter från Princeton Universitys digitala Blue Mountain-arkiv. Utan att veta något om Dada – en avantgardistisk rörelse som växte fram i Europa efter första världskriget som försökte häva materialism och konvention – försökte algoritmen sedan klassificera omkring 33, 000 journalsidor som antingen Dada eller icke-Dada.

    Nätverket lär sig att identifiera bilder genom allt mer komplexa lager – tidiga lager kan upptäcka enkla strukturer som kanter eller räta vinklar, medan det sista lagret kommer att försöka märka bilden som, säga, en fårhund.

    I den här studien, modellen analyserade det näst sista lagret, som bestod av en serie siffror snarare än etiketter som "fårhund". Mimno och Thompson hänvisade till dessa numeriska lager som "beräkningsmässiga cut-ups, " en nick till det dadaistiska "påse med ord"-konceptet.

    Algoritmen "kan vara nästan motsatsen till konst, men det är också att leka med alla dessa metoder som förekom i själva Dada, " sa Thompson.

    Även om de inte visste hur algoritmen fattade sina beslut, forskarna arbetade baklänges från resultaten. De upptäckte att nätverket förknippade Dada med färgen röd, hög kontrast och framträdande kanter. Det tenderade att klassificera sidor med realistiska bilder och fotografier som icke-Dada, de hittade.

    Av de andra genrerna analyserade algoritmen, det felidentifierade oftast kubismen som Dada – vilket var vettigt för forskarna, eftersom kubismen starkt påverkade dadakonsten.

    Innan du utförde Dada-experimentet, forskarna testade sitt koncept på sidor med musik. Algoritmen identifierade 67 procent av de 3, 450 sidor med partitur som "musik, "och 96 procent av de 55, 007 sidor utan musik som "inte musik." De fann att modellen tenderade att klassificera sidor med snygga, horisontella bord som musik, och sidor med färg eller bilder som "inte musik."

    "Om du vill projicera känslor på dessa modeller, de är ganska lata, " sa Thompson. Till exempel, forskare har funnit att om du tränar en modell för att identifiera bilder av fiskar, och alla bilder som tillhandahålls visar människor som håller fisk, det kommer förmodligen att klassificera alla bilder med människor som håller saker som fiskar.

    Modellens klassificeringar kastar lite ljus över vilka egenskaper som kan definiera Dada, forskarna sa, även om tanken på att använda en maskin för att se konst är förenklad och möjligen absurd.

    "Det här är delvis en tungan-in-cheek-insats. Vi försöker inte vara superseriösa, att denna klassificerare kommer att slå alla konsthistoriker när de identifierar vad som verkligen gör Dada till Dada, ", sa Thompson. "Modellen vet ingenting om Dada, men det kan fortfarande hjälpa till att ge ett ytterligare perspektiv när du tänker på det."


    © Vetenskap https://sv.scienceaq.com