8、艺术鉴定与机器学习：从传统到计算的转变

艺术鉴定与机器学习：从传统到计算的转变

1. 艺术风格定量分析的问题

在对艺术风格进行定量分析时，问题往往不在于定量方法本身，而在于数据以及围绕这些数据的客观性假设。专注于艺术作品数字复制品的视觉分析，虽然解决了一些艺术图像元数据标签的偏差问题，但训练集仍常按风格标注，且研究者假定这些标签是具体且客观的。

由于艺术图像收藏体现了某种艺术史叙事，通常是传统的、以西方为中心的叙事，因此将有监督的计算分析方法应用于这些收藏所产生的见解，已受到数据中固有历史偏差的影响。试图以定量方式证明旧的艺术史理论（如沃尔夫林的理论）的研究本质上是同义反复的，它们只是再现了数据集构建的条件。

无监督方法产生的结果看似不受现有类别的影响，但目前它们仅分析作品的纯粹视觉特征，很大程度上剥夺了作品的上下文意义，容易导致错误的比较。研究者通常希望对艺术史形成全面的看法，因此构建越来越大的艺术史数据集，试图涵盖和量化整个领域。

计算机科学家开始意识到数据集和算法偏差的问题，但纠正偏差的尝试往往假设存在静态、永久的“正确”类别，可以永久分配给艺术图像。例如，有研究明确承认在使用大都会艺术博物馆图像数据库时存在偏差，但仍乐观地认为通过对机器学习系统进行适当调整，可以纠正偏差并自动创建“准确”的元数据。这表明图像分类中的客观性观念根深蒂固，关于数据客观性的关键问题能否进入计算机科学研究仍不清楚。

艺术风格定量分析问题总结

问题类型	具体表现
数据偏差