美在旁观者的大脑中：人工智能通过读取大脑数据生成具有个人吸引力的图像
摘要：将大脑活动数据与人工智能相结合，研究人员根据个人认为有吸引力的特征生成了面孔。
资料来源：赫尔辛基大学
赫尔辛基大学和哥本哈根大学的研究人员调查了计算机是否能够识别我们认为有吸引力的面部特征，并在此基础上创建符合我们标准的新图像。研究人员使用人工智能来解释大脑信号，并将由此产生的脑机接口与人造面孔的生成模型相结合。这使计算机能够创建符合个人喜好的面部图像。
“在我们之前的研究中，我们设计的模型可以识别和控制简单的肖像特征，例如头发颜色和情绪。然而，人们在谁是金发女郎和谁微笑的问题上大体上达成了一致。吸引力是一个更具挑战性的研究课题，因为它与文化和心理因素有关，这些因素可能在我们的个人偏好中发挥无意识的作用。事实上，我们经常发现很难解释究竟是什么使某物或某人变得美丽：美丽在旁观者的眼中，”高级研究员和大学心理学和标志医学系的 Docent Michiel Spapé 说。赫尔辛基。
该研究结合了计算机科学和心理学，于 2 月发表在 IEEE Transactions in Affective Computing 期刊上。
大脑暴露的偏好
最初，研究人员给生成对抗性神经网络 (GAN) 分配了创建数百张人工肖像的任务。这些图像一次一张地展示给 30 名志愿者，他们被要求注意他们认为有吸引力的面孔，同时通过脑电图 (EEG) 记录他们的大脑反应。
“它的工作方式有点像约会应用程序 Tinder：参与者在遇到一张有吸引力的面孔时'向右滑动’。然而，在这里，他们除了查看图像之外什么都不用做。我们测量了他们对图像的即时大脑反应，”斯佩解释说。
研究人员使用机器学习技术分析脑电图数据，通过脑机接口将个体脑电图数据连接到生成神经网络。
“像这样的脑机接口能够解释用户对一系列图像吸引力的看法。通过解释他们的观点，解释大脑反应的 AI 模型和对面部图像进行建模的生成神经网络可以通过结合特定人认为有吸引力的东西来共同产生全新的面部图像，”负责人的学院研究员兼副教授 Tuukka Ruotsalo 说。该项目。
为了测试他们建模的有效性，研究人员为每个参与者制作了新的肖像，预测他们会发现他们的个人魅力。针对匹配的对照在双盲程序中对它们进行测试，他们发现新图像与受试者的偏好相匹配，准确率超过 80%。
“这项研究表明，我们能够通过将人工神经网络与大脑反应连接起来，生成符合个人喜好的图像。成功评估吸引力尤其重要，因为这是刺激的一种令人心酸的心理特性。迄今为止，计算机视觉在基于客观模式对图像进行分类方面非常成功。通过引入大脑对混合的反应，我们表明可以根据个人品味等心理特性检测和生成图像，”Sappé 解释说。
暴露无意识态度的潜力
最终，这项研究可能会通过人工智能解决方案和脑机接口之间的交互，提高计算机学习和理解主观偏好的能力，从而造福社会。
“如果这在与吸引力一样个人和主观的事物中成为可能，我们也可以研究其他认知功能，例如感知和决策。潜在地，我们可能会将设备用于识别刻板印象或隐性偏见，并更好地了解个体差异，”斯佩说。
关于这个 AI 研究新闻
来源：赫尔辛基大学
联系人： Michiel Spapé - 赫尔辛基大学
图片：图片由认知计算研究组提供
原始研究：封闭访问。
“用于生成个人吸引力图像的脑机接口”，作者 M. Spape、K. Davis、L. Kangassalo、N. Ravaja、Z. Sovijarvi-Spape 和 T. Ruotsalo。IEEE 情感计算汇刊
抽象的
用于生成具有个人吸引力的图像的脑机接口
虽然我们会立即识别出一张脸是有吸引力的，但要解释个人吸引力的确切定义要困难得多。这表明吸引力取决于对复杂的、文化上的和单独定义的特征的内隐处理。学习模仿复杂数据分布的生成对抗性神经网络 (GAN) 可以潜在地对不受预定义模型参数化约束的主观偏好进行建模。
在这里，我们提出了生成性脑机接口 (GBCI)，将 GAN 与脑机接口耦合。GBCI 首先呈现一系列图像，并通过脑电图捕捉对图像的个性化吸引力反应。然后使用这些反应来控制 GAN 模型，找到与构成对个人有吸引力的图像的特征相匹配的表示。
我们进行了一项实验 (N=30) 来验证 GBCI 使用人脸生成 GAN 并生成假设具有个人吸引力的图像。在对照匹配对照对 GBCI 生成的图像进行双盲评估时，我们发现 GBCI 产生了高度准确的结果。因此，使用 EEG 响应来控制 GAN 是一种有效的交互式信息生成工具。
此外，GBCI 衍生的图像在视觉上复制了社会神经科学的已知效应，表明 GBCI 的个体响应性、生成性为映射个体差异和可视化认知情感处理提供了强大的新工具。