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

Laburpena

O contido desta tese por compendio é a agrupación de tres artigos de investigación publicados en revistas de prestixio, que abordan a necesidade e a forma de mellorar os métodos de predición de preferencia estética de usuario mediante técnicas de soft computing. Realízase un amplo estado da arte do uso de redes de neuronas artificiais e deep learning. Este estudo mostra que existen sistemas baseados en redes de neuronas capaces de realizaren tarefas artísticas con diferente grao de obxectividade. Dende a detección dun obxecto nunha obra pictórica ata a creación de imaxes, pasando pola clasificación segundo o estilo artístico ou autor/a, ou a estimación de calidade e valor estético. Tamén mostra que nos últimos anos se están a realizar máis traballos en tarefas máis complexas como a creación de imaxes, en gran medida grazas ao uso de técnicas de deep learning caso das Convolutional Neural Network (CNN) e as Generative Adversarial Network (GAN). A partir desta base, formúlase o uso de sistemas baseados en redes neuronais para dúas tarefas relevantes no ámbito da predición de preferencia estética. Dunha banda, emprégase un sistema de redes de neuronas artificiais para predición estética, utilizando un dataset explorado polo estado da arte. Non se busca só un erro baixo na predición senón tamén unha rede cuxa topoloxía sexa mínima. Analízanse os resultados extraendo conclusións sobre a información mínima relevante para realizar esta tarefa altamente subxectiva e complexa. Pola outra, analízanse diferentes alternativas para outra tarefa altamente relacionada coa percepción estética: a percepción de complexidade visual. Existen numerosos estudos psicolóxicos que propoñen unha relación directa entre complexidade e valor estético. Proponse buscar un método de machine learning, que obteña mellor predición deste valor. Tamén se realiza unha análise dos outlayers, co fin de comprender mellor os procesos realizados polo mecanismo de predición.