Predición de preferencia de usuario mediante técnicas de "Soft Computing"

Resumen

El contenido de esta Tesis por Compendio es la agrupación de tres artículos de investigación publicados en revistas de prestigio, que abordan la necesidad y la forma de mejorar los métodos de predicción de preferencia estética de usuario mediante técnicas de soft computing. Se realiza un amplio estado del arte del uso de redes de neuronal artificiales y deep learning. Este estudio muestra que existen sistemas basados en redes de neuronas capaces de realizar tareas artísticas con diferente grado de objetividad. Desde la detección de un objeto en una obra pictórica hasta la creación de imágenes, pasando por la clasificación según el estilo artístico o autor, o la estimación de calidad y valor estético. También se muestra que en los últimos años se están realizando más trabajos en tareas más complejas como la creación de imágenes, en gran medida gracias al uso de técnicas de deep learning como las Convolutional Neural Networks (CNN) y las Generative Adversarial Networks (GAN). A partir de esta base, se plantea el uso de sistemas basados en redes neuronales para dos tareas relevantes en el ámbito de la predicción de preferencia estética. Por un lado, se emplea un sistema de redes de neuronas artificiales para predicción estética, utilizando un dataset explorado por el estado del arte. No sólo se busca un error bajo en la predicción, sino también una red cuya topología sea mínima. Se analizan los resultados extrayendo conclusiones sobre la información mínima relevante para realizar esta tarea altamente subjetiva y compleja. Por otro lado, se analizan diferentes alternativas para otra tarea altamente relacionada con percepción estética: la percepción de complejidad visual. Existen numerosos estudios psicológicos que proponen una relación directa entre complejidad y valor estético. Se propone buscar un método de machine learning, que obtenga mejor predicción de este valor. También se realiza un análisis de los outlayers, con el fin de comprender mejor los procesos realizados por el mecanismo de predicción.