研究人员训练神经网络成为时尚设计师（某种程度上）

"我们证明了我们的模型可以用于生成任务，即给定用户和产品类别，我们可以生成与用户个人品味最一致的新图像（在此案例中是服装单品），" 第一作者、计算机科学博士生 Wang-Cheng Kang 说。"这代表着向构建超越从产品库中推荐现有物品的系统迈出了第一步，转向建议风格并帮助设计新产品。"

他们的研究成果于11月初发表在预印本平台ArXiv上，论文题为《利用生成图像模型进行视觉感知的时尚推荐与设计》。计算机科学与工程学教授 Julian McAuley 和他的二年级博士生 Wang-Cheng Kang 与来自 Adobe Research 的行业专家 Chen Fang 和 Zhaowen Wang 合作进行了这项研究。

"这表明了一种可用于推荐、生产和设计的新型推荐方法，" McAuley 和他的同事写道。"这些框架可以带来更丰富的推荐形式，使内容推荐和内容生成更紧密地联系在一起。"

该项目旨在测试人工智能和机器学习工具能在多大程度上帮助时尚行业和消费者——尤其是那些在日益增长的、渴望在网上购买服装的购物群体中的消费者。

虽然有许多算法和工具帮助在线零售商向潜在买家推荐设计，但加州大学圣地亚哥分校与Adobe研究院的团队走得更远。他们想看看是否有可能处理偏好和其他数据，不仅用于做出推荐，还可能使计算机能够生产出具有优势的新服装设计，因为这些设计反映了消费者的个人偏好。

最初，研究人员专注于设计一个系统以提供更好的推荐，特别是在'视觉'推荐的情况下——消费者可能受产品外观的影响而改变决定，就像时尚服饰或艺术品那样。

"为时尚这样的领域构建有效的推荐系统具有挑战性，因为涉及的高度主观性以及特征的语义复杂性，"新论文指出。研究人员进一步指出，通过将视觉信号直接纳入推荐目标，使用从深度网络中提取的现成特征表示，可以使视觉推荐更加准确。

该团队证明，通过联合训练图像表示（从像素级）和推荐系统，直接学习'时尚感知'的图像表示，可以显著提高推荐性能。该论文源于最近使用孪生卷积神经网络（Siamese-CNNs）的工作，之所以如此称呼，是因为它们是包含两个或更多相同子网络的一类神经网络架构（孪生卷积神经网络通常用于查找两个可比项目之间的相似性或关系）。

在这个时尚项目中，研究人员训练孪生卷积神经网络来学习并分类用户对某些物品的偏好。

在此基础上，他们使用了一种称为生成对抗网络（GAN）的神经网络框架来学习时尚图像的分布，并生成能最大化用户偏好的新颖时尚单品。GAN 在一组数据上训练两个网络，它们特别适合生成逼真的图像。由此产生的系统可以建议购买现有设计的物品，但它也可用于修改现有物品，或生成根据特定个人偏好定制的新设计（基于关于先前购买、调查等的'大数据'）。

人工智能在时尚行业的应用仍处于起步阶段，但世界上最大的两家在线零售商——亚马逊和中国的阿里巴巴——已经在使用包括 GAN 在内的人工智能工具。至于加州大学圣地亚哥分校与Adobe研究院的项目，算法设计的新衣服质量充其量仍处于初级阶段。正如计算机科学与工程系的 McAuley 告诉《麻省理工科技评论》的一位作者所言："如果你想称之为风格的话，你得稍微解读一下其中的玄机。" 但他警告说，将神经网络引入时尚界尚处于萌芽阶段。