Undersøgelse bruger neurale netværk til at definere Dada

At lave et dadaistisk digt, kunstneren Tristan Tzara sagde engang, klip hvert ord i en avisartikel ud. Læg ordene i en pose og ryst. Fjern ordene fra posen et ad gangen, og skriv dem ned i den rækkefølge.

Denne "pose med ord"-metode er ikke helt forskellig fra, hvordan kunstig intelligens-algoritmer identificerer ord og billeder, opdele dem i komponenter et trin ad gangen. Ligheden inspirerede Cornell-forskere til at undersøge, om en algoritme kunne trænes til at differentiere digitaliserede dadaistiske tidsskrifter fra ikke-Dada avantgarde-tidsskrifter – en formidabel opgave, givet, at mange anser Dada i sagens natur udefinerbar.

Men algoritmen - et foldet neuralt netværk, der typisk bruges til at identificere almindelige billeder - fungerede bedre end tilfældigt. Den identificerede korrekt Dada-journalsider 63 procent af tiden og ikke-Dada-sider 86 procent af tiden.

"Vores mål er ikke nødvendigvis at få det 'rigtige' svar, men snarere at bruge beregning til at give en alien, ukendt perspektiv, " skrev forskerne i "Computational Cut-Ups:The Influence of Dada, ", der er offentliggjort i Journal of Modern Periodical Studies i januar. "Kan et værktøj designet til at identificere hunde bruges til at udforske avantgarden?"

De søgte også at give et eksempel på, hvordan store samlinger af billeder kan analyseres, sagde Laure Thompson, en doktorand i datalogi, som var medforfatter til artiklen sammen med David Mimno, adjunkt i informationsvidenskab.

Tekstmining – at søge i store dele af digitaliseret tekst efter bestemte ord eller sætninger – er blevet meget brugt i den digitale humaniora, men det er langt sværere at søge efter billeder.

"Tekst har meget praktiske funktioner – de er kendt som ord. Og vi kan se dem virkelig hurtigt på grund af mellemrummene mellem dem, " sagde Thompson. "Mens et billede til en computer kun er en stor matrix af tal, og det er kendt for ikke at være særlig meningsfuldt."

Thompson og Mimno trænede deres neurale netværk på dadaistiske tidsskrifter fra Princeton Universitys Blue Mountain digitale arkiv. Uden at vide noget om Dada – en avantgardebevægelse, der opstod i Europa efter 1. Verdenskrig, som forsøgte at hæve materialisme og konvention – forsøgte algoritmen derefter at klassificere omkring 33, 000 journalsider som enten Dada eller ikke-Dada.

Netværket lærer at identificere billeder gennem gradvist mere komplekse lag - tidlige lag kan se simple strukturer som kanter eller rette vinkler, mens det sidste lag vil forsøge at mærke billedet som, sige, en fårehund.

I dette studie, modellen analyserede det næstsidste lag, som omfattede en række numre i stedet for etiketter som "fårehund". Mimno og Thompson omtalte disse numeriske lag som "beregningsmæssige cut-ups, " et nik til det dadaistiske "pose med ord"-konceptet.

Algoritmen "kan næsten være kunstens modsætning, men det er også at lege med alle disse metoder, der dukkede op i selve Dada, " sagde Thompson.

Selvom de ikke vidste, hvordan algoritmen traf sine beslutninger, forskerne arbejdede baglæns fra resultaterne. De fandt ud af, at netværket associerede Dada med farven rød, høj kontrast og fremtrædende kanter. Det havde en tendens til at klassificere sider med realistiske billeder og fotografier som ikke-Dada, de fandt.

Af de andre genrer analyserede algoritmen, det misidentificerede oftest kubisme som Dada – hvilket gav mening for forskerne, da kubismen påvirkede dada-kunsten stærkt.

Før Dada-eksperimentet blev udført, forskerne testede deres koncept på sider med musik. Algoritmen identificerede 67 procent af de 3, 450 sider med noder som "musik, " og 96 procent af de 55, 007 sider uden musik som "ikke musik." De fandt, at modellen havde en tendens til at klassificere sider med pæne, vandrette borde som musik, og sider med farver eller billeder som "ikke musik."

"Hvis du vil projicere følelser på disse modeller, de er ret dovne, " sagde Thompson. F.eks. forskere har fundet ud af, at hvis du træner en model til at identificere billeder af fisk, og alle de viste billeder viser folk, der holder fisk, det vil sandsynligvis klassificere alle billeder med mennesker, der holder ting som fisk.

Modellens klassifikationer kaster lidt lys over, hvilke egenskaber der kan definere Dada, sagde forskerne, selvom tanken om at bruge en maskine til at se kunst er forsimplet og muligvis absurd.

"Dette er til dels en tongue-in-cheek indsats. Vi prøver ikke at være super-seriøse, at denne klassificering vil slå alle kunsthistorikere ved at identificere, hvad der virkelig gør Dada til Dada, " sagde Thompson. "Modellen ved intet om Dada, men det kan stadig hjælpe med at give et ekstra perspektiv i at tænke over det."