Understanding Machine Taste: Aesthetic Agreement Across Foundation Models in K-pop
作者: Kaishen Wang, Yucheng Pan, Xuehao Cui, Hanling Tian, Heng Huang
分类: cs.CL
发布日期: 2026-10-13
备注: 17 pages, 4 figures, 14 tables
💡 一句话要点
提出机器审美理解方法以评估K-pop创意内容
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 机器审美 创意决策 K-pop 多模态分析 基础模型 流行度评估 成对排名 视觉与音频评估
📋 核心要点
- 核心问题：现有方法对基础模型在创意内容评估中的审美偏好缺乏深入理解，影响AI辅助决策的有效性。
- 方法要点：论文通过将审美评估形式化为成对排名问题，系统性分析模型间的一致性和偏好对齐。
- 实验或效果：研究发现视觉评估的一致性强于音频评估，并且视觉共识与实际流行度存在正相关关系。
📝 摘要（中文）
随着基础模型进入创意产业，理解其审美偏好成为AI辅助创意决策的重要一步。本研究探讨基础模型如何评估创意内容，并以K-pop歌曲和音乐视频为测试平台，表征其“机器审美”。我们将审美评估形式化为成对排名问题，系统性地考察模型间的一致性、群体共识及跨模态偏好对齐。结果显示，在视觉评估中模型间的一致性和群体共识较音频评估更强，而两种模态间的偏好对齐较弱。此外，我们还考察了视觉共识排名与现实世界流行度的关系，发现不同艺术家群体间存在正相关但差异显著。这些发现为机器审美偏好的初步理解提供了基础，并为未来考虑创意内容、艺术家身份、观众偏好及市场动态的AI辅助创意决策奠定了基础。
🔬 方法详解
问题定义：本研究旨在解决基础模型在创意内容评估中的审美偏好理解不足的问题。现有方法未能有效捕捉模型间的审美一致性和偏好对齐，限制了AI在创意决策中的应用潜力。
核心思路：论文提出将审美评估视为成对排名问题，通过系统性分析模型间的相互一致性和群体共识，探索不同模态（视觉与音频）间的偏好对齐。这样的设计有助于揭示基础模型的审美特征及其在创意内容评估中的表现。
技术框架：整体研究框架包括数据收集（K-pop歌曲和音乐视频）、成对排名模型构建、模型间一致性分析、群体共识评估及与现实流行度的相关性分析。主要模块涵盖数据预处理、特征提取、模型训练及结果分析。
关键创新：本研究的主要创新在于首次系统性地将基础模型的审美偏好与实际流行度进行关联分析，揭示了视觉与音频评估的一致性差异，填补了现有研究的空白。
关键设计：在模型训练中，采用了成对比较的损失函数，确保模型能够有效学习不同创意内容间的相对审美偏好。同时，使用历史YouTube观看数据作为流行度的量化指标，增强了研究的实证基础。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在视觉评估中，模型间的一致性和群体共识显著高于音频评估，且两者的偏好对齐较弱。此外，视觉共识排名与实际流行度之间存在正相关关系，表明模型的审美评估与市场反应之间存在一定的联系。这些发现为AI辅助创意决策提供了重要的实证支持。
🎯 应用场景
该研究的潜在应用场景包括音乐创作、视频制作及市场营销等领域。通过理解基础模型的审美偏好，创作者可以更好地利用AI工具进行创意决策，提升内容的吸引力和市场竞争力。未来，该研究可能推动AI在创意产业中的更广泛应用，促进人机协作的创新模式。
📄 摘要（原文）
As foundation models enter creative industries, understanding their aesthetic preferences becomes an important step toward AI-assisted creative decision making. In this work, we investigate how foundation models evaluate creative content and characterize their ``machine taste'' using K-pop songs and music videos as a testbed. We formulate aesthetic evaluation as a pairwise ranking problem and systematically examine pairwise inter-model agreement, group-level consensus, and cross-modal preference alignment. Our results reveal stronger pairwise inter-model agreement and group-level consensus in visual evaluation than in audio evaluation, while preferences across the two modalities remain weakly aligned. We further examine how visual consensus rankings relate to real-world popularity using historical YouTube viewership data, finding positive but varying correlations across artist groups. These findings provide initial insights into machine aesthetic preferences and lay the groundwork for future AI-assisted creative decision making that considers creative content, artist identity, audience preferences, and market dynamics.