重新思考专业设计数据的预训练：来自 JONES-19 文化设计数据集的证据

arXiv:2608.00135v1 公告类型：新摘要：设计和架构档案以图形格式编码人类专家知识，为典型计算机视觉基准所缺乏的设计启发的机器学习 (ML) 挑战提供了关键的测试平台。基于 JONES-19（基于装饰语法（伦敦，1857 年）的小型图像数据集），我们评估了卷积神经网络 (CNN) 在两种模型训练策略中的判别性能：(a) 针对领域通用“视觉常识”的 ImageNet 预训练，以及 (b) 从 JONES-19 中的设计数据开始学习。我们发现，虽然领域通用先验提高了判别性能，但通过重复局部采样（多作物）从头开始学习可以有效地恢复这些收益。对于高度结构化的设计数据，本地设计驱动的表示为学习提供了足够的基础，挑战了对大规模通用预训练的依赖。这些发现表明，在专门的设计领域，精心策划捕捉经验和形式设计原则的较小的高质量数据集可能比优先考虑大规模数据收集更有效，更能提供有关特定设计领域性质的信息。