초록
대규모의 예술 데이터가 박물관과 예술 애플리케이션에서 온라인으로 흩어져 있습니다. 이러한 데이터를 수집하고 처리하며 모든 동반 속성을 고려하여 연구하는 과정은 비용이 많이 드는 작업입니다. 본 논문에서는 예술 분야에서 범주적 분석의 속도와 품질을 높이고 개선하기 위해 공유 표현을 적용한 다중 작업 학습에 대한 효율적이고 정확한 방법을 제안합니다. 또한, 우리 방법의 다양한 다중 작업 구성이 예술 데이터에서 어떻게 작동하며, 수작업 특징 접근법 및 컨볼루션 신경망보다 우수한 성능을 보이는지를 설명합니다. 이 방법과 분석 외에도, 거의 50만 개의 샘플과 구조화된 메타데이터를 포함하는 새로운 집계 데이터 세트를 통해 추가적인 연구와 사회적 참여를 촉진하기 위한 도전적인 성격의 과제를 제안합니다.