設計およびアーキテクチャのアーカイブには、専門家の知識がグラフィカルな形式で記録されており、機械学習（ML）の発展における重要なテストベッドとなっています。特に従来のコンピュータビジョンベンチマークでは見られない、設計にインスパイアされた課題に対応しています。本研究は、1857年ロンドンで出版された「装飾文法（The Grammar of Ornament）」に基づいた小規模画像データセットであるJONES-19を活用して、畳み込みニューラルネットワーク（CNN）の判別性能を評価しました。 研究では2つの訓練戦略を比較しました。一つ目は一般的な「視覚的常識」を習得するためのImageNet事前学習であり、二つ目はJONES-19の設計データから学習する方法です。その結果、一般的な領域知識の事前学習は判別性能を向上させるものの、マルチクロップなどの繰り返される局所サンプリングを用いてスクラッチから学習することで、これらの利得をほぼ同等に回復できることが判明しました。 高度に構造化された設計データにおいては、局所的で設計駆動型の表現が学習の基礎として十分であり、大規模な汎用事前学習への依存の必要性が限定的であることが示唆されました。これらの知見は、専門的な設計領域では、経験的かつ形式的な設計原理を捉えた小規模で高品質なデータセットの綿密なキュレーションが、大規模なデータ収集を優先することよりも、その特定の設計領域の本質をより効果的かつ有益に理解することができる可能性があることを示唆しています。