Credit: Peterson等人许多心理学研究已经证实了人类判断和决策的偏向性。例如，当与一个陌生人互动时，人类通常会仅仅根据他们的外表、面部特征、种族、体型和肢体语言做出一系列自动和肤浅的判断。普林斯顿大学、史蒂文斯理工学院和芝加哥大学布斯商学院的研究人员最近试图使用深度神经网络来预测人类仅基于面部对他人做出的一些自动推断。他们在PNAS发表的论文介绍了一种机器学习模型，该模型可以非常准确地预测用户对特定人脸图片的任意判断。
“作为心理学家，我们对人们如何感知和判断面孔感兴趣，特别是当有重要后果时，如涉及雇用和判刑决定，”开展这项研究的研究人员之一约书亚·彼得森告诉TechXplore，“然而，迄今为止大多数工作仅限于研究人工3D面部渲染或小型照片。”
近年来，计算机科学家开发了大量先进的机器学习模型，可以对大量数据进行分析和分类，以良好的准确性预测特定事件，并生成图像、音频记录或文本。然而，在回顾以前专注于人脸判断的文献时，彼得森和他的同事注意到，很少有研究使用最先进的机器学习工具来探索这个主题。
彼得森说:“我们最近研究的主要目的是建立一个科学的模型，来描述人们对面孔的印象，尽可能地概括尽可能多的面孔和属性(如可信度)。”“我们还希望该模型能够成为心理学中产生和处理面部刺激的工具，同时也代表了研究面部任意属性推理的新标准。”
来自数据集的多个人脸示例和每个属性的平均评级Credit: Peterson等人在过去，基于深度神经网络的模型主要用于自动检测面部表情、基本情绪或特定配件(例如，眼镜、太阳镜、耳环等)的存在。).另一方面，Peterson和他的同事希望使用深度神经网络来模拟人类通常可以从面部推断出的性格相关属性，如可信度。
与面孔相关的推断是有偏见的和任意的，这意味着它们可能会根据做出它们的人而完全不同。因此，为了成功地对它们进行建模，研究人员首先必须编译一个大型数据集，其中包含人脸图像和许多不同人对它们的判断。
“尽管我们的数据集是心理学领域最大的，包含超过100万个判断，但它仍然不够大，不足以从头训练一个神经网络模型，”彼得森说。“相反，我们假设现有的模型已经从更大的未标记数据集中充分学习了面部的一般结构，然后我们可以将自己的行为数据直接用于剩下的将该结构与心理推理相关联的问题。”
Peterson和他的同事开发的模型不是学习一个全新的神经网络的权重，这是用于分析面部的深度学习模型通常要做的，而是专门学习将可信度判断与另一个现有模型已经发现的面部特征相关联的权重。这最终使研究人员能够从心理学的角度解释他们深层神经网络的不透明内部状态。
“由于我们选择的基础网络是生成性的，我们也能够沿着这些可解释的维度操纵人脸，这样他们就会被判断为或多或少是可信的，我们在单独的行为实验中验证了这一点，”彼得森说。
改变目标面感知的变换动画。鸣谢:Peterson等人。该研究小组最近的工作导致了迄今为止最全面和详细的数据集的创建，该数据集包含了与面部相关的偏见和刻板印象。在未来，这个数据集和他们论文中提出的深度神经网络可以用来进一步研究这些偏见，特别是在专业招聘和刑法案件等背景下。此外，它们可以指导制定更有效的战略来减少这种偏见的影响。
“为我们的模型提供动力的当前数据集包括来自主要是白人的北美人口的判断，”彼得森说。“这项工作的一个重要延伸将是询问我们正在研究的偏见在更加多样化的人群中有何不同。任何想帮助我们做到这一点的人都可以通过在https://demo.onemillionimpressions.com/v2/consent/."评判面孔来参与我们的研究
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
