Нейронные сети изучают, как привлекательные лица определяют нашу судьбу

Глубокие нейронные сети раскрывают новые аспекты лицевых черт, связанных с привлекательностью и добротой. Глубокие нейронные сети способны более точно количественно оценивать характеристики лица, чем предыдущие методы, что улучшает прогнозы о личной привлекательности, согласно исследованию, опубликованному в журнале Evolution & Human Behavior.

Лицевая привлекательность значительно влияет на выбор партнёра в людях, однако текущие методы измерения ключевых лицевых черт, таких как мужественность, схожесть и средние показатели, имеют важные ограничения. Традиционные подходы опираются либо на субъективные оценки, подверженные предвзятости, либо на объективные измерения, основанные на геометрических структурах лица с использованием заранее определённых точек. В то время как последние предлагают количественные данные, эти методы не способны улавливать важные визуальные детали, такие как текстура кожи, цвет волос и контраст лица.

Чтобы преодолеть эти ограничения, Эми А.З. Чжао и Брендан П. Зиетш исследовали потенциал глубоких нейронных сетей в качестве альтернативного подхода. Эти методы машинного обучения предлагают более комплексный способ количественной оценки лицевых характеристик, который устраняет недостатки как субъективных, так и основанных на точках оценок.

Исследования показывают, что мужественность в мужских лицах часто коррелирует с привлекательностью, в то время как схожесть лиц может сигнализировать о надёжности или доброте. Однако эти выводы обычно базируются на исследованиях, использующих статические изображения лиц, а не на реальных взаимодействиях.

Работа Чжао и Зиетша исследует, могут ли глубокие нейронные сети создавать лицевые метрики, которые не только улучшат точность измерений, но и лучше предскажут привлекательность в естественных условиях.

В исследовании были проанализированы данные 682 участников (344 женщины), участвовавших в эксперименте по скоростному свиданию в Университете Квинсленда. Чтобы обеспечить согласованность, все участники должны были быть незамужними, гетеросексуальными и говорить на английском языке. Исследователи получили оценки лицевой привлекательности и доброты от 2 285 взаимодействий в процессе скоростных свиданий, в которых участники в коротких беседах знакомились с потенциальными романтическими партнёрами.

Для измерения лицевых черт исследователи собрали стандартизированные фотографии всех участников при одинаковом освещении с фиксированной установкой камеры. Затем они применили три различных метода для количественной оценки лицевых характеристик: 1) ручное размещение лицевых точек, где помощники ставили 28 заранее определённых точек на лицах участников; 2) автоматическое обнаружение лицевых точек с использованием системы на основе искусственного интеллекта, которая размещала 83 точки; и 3) глубокие нейронные сети, которые извлекали 4 096 координат лицевых характеристик из каждого изображения.

Эти методы использовались для оценки трёх ключевых лицевых черт — среднестатистичности, мужественности и схожести — путём сравнения лицевых черт участников и анализа того, насколько хорошо они предсказывали оценки привлекательности и доброты.

Результаты показали, что лицевые меры, полученные с помощью глубоких нейронных сетей, могли предсказывать оценки лицевой привлекательности и доброты, так же как и лучше, чем традиционные методы, основанные на точках. Примечательно, что баллы мужественности, полученные от нейронных сетей для мужских лиц, были сильно коррелированы с оценками привлекательности, подтверждая предыдущие выводы о том, что мужественные черты мужчин считаются привлекательными. Напротив, мужественность в женских лицах была негативно коррелирована с привлекательностью, что означало, что более женственные черты женских лиц считались более привлекательными.

Кроме того, нейронные сети предоставили более надёжную меру мужественности, избегая общей недостатка методов, основанных на точках: их склонности подвержено влиянию наклона лица (угла наклона головы на фотографиях). При измерении с помощью нейронных сетей баллы мужественности в значительной степени не зависели от угла, под которым человек держал голову на фотографии.

Исследование также обнаружило доказательства того, что люди с более мужественными или женственными лицами предпочитают аналогичных партнёров, что называется ассоциативным спариванием. Этот эффект был обнаружен с помощью нейронных сетей, но не с традиционными методами, основанными на точках, что говорит о том, что методы глубокого обучения могут лучше улавливать тонкие лицевые черты, которые влияют на реальную привлекательность.

Кроме того, схожесть лиц была связана с оценками доброты, что поддерживает предыдущие исследования, указывающие на то, что люди склонны воспринимать тех, кто выглядит как они, как более надёжных и про-социальных. Этот эффект проявлялся как при использовании автоматического размещения, так и при оценках схожести, полученных с помощью нейронных сетей, но был менее выраженным при измерении вручную.

Средняя привлекательность — часто считаемая ключевой чертой привлекательности — также была значительным предиктором положительных оценок, особенно когда измерялась с использованием нейронных сетей и автоматического размещения.

Одним из недостатков является отсутствие прозрачности в моделях глубоких нейронных сетей. В отличие от методов, основанных на точках, которые предоставляют ясные измерения конкретных лицевых черт, нейронные сети действуют как «чёрные ящики», что делает сложным определить, какие аспекты лица способствуют определённой оценке.

Исследование, "Глубокие нейронные сети генерируют лицевые метрики, которые преодолевают ограничения предыдущих методов и предсказывают личную привлекательность", было написано Эми А.З. Чжао и Бренданом П. Зиетшем.