Марианна Реддан провела последние 10 лет, тщательно изучая человеческие лица, чтобы найти следы двух разных, но очень близких эмоций. Сюрприз и Страх. И после стольких лет он едва научился различать их.
Вот почему Реддан, получив докторскую степень в Стэнфордском университете, понял, что что-то изменится. Он понял это, когда узнал, что EmoNet, система, основанная на машинном обучении, научилась различать две эмоции.
Система, называемая «EmoNet», не просто смотрит на выражения лица, чтобы понять эмоции. Также посмотрите на общий контекст, чтобы определить общее чувство, как поступил бы человек из плоти и крови.
Для проведения этого исследования (опубликовано в журнале Science Advances) и эту «обученную» нейронную сеть с большими объемами данных исследователи из Университета Колорадо в Боулдере и Университета Дьюка разрабатывали в течение года.
От предметов к эмоциям
Реддан и коллеги использовали AlexNet. Это модель глубокое обучение (созданный с учетом динамики зрительной коры), который обучает компьютер распознавать объекты. Они перепрограммировали это, чтобы рассмотреть эмоции вместо объектов.
Филип Крагель, исследователь из Института когнитивных наук Университета Колорадо, предоставил нейронной сети 25000 20 изображений и разделил их на XNUMX категорий эмоций.
В большой список вошли такие эмоции, как беспокойство или скука, а также другие менее распространенные эмоциональные переживания, такие как «эстетическое самодовольство» или «эмпатическая боль».
На втором этапе категорированные эмоции сравнивались с человеческими. 8 добровольцев, подключенных в качестве функциональной магнитно-резонансной томографии, наблюдали 112 изображений. Их активность мозга измерялась параллельно нейронной сетью, чтобы связать ее с образами (и эмоциями), уже находящимися в ее распоряжении.
Создание нейронной сети, которая воспроизводит человеческий мозг, является научной задачей, которая длится годами., Тем не менее, даже самые передовые машины выходят за рамки человеческого опыта. «Эмоции — огромная часть нашей повседневной жизни», игра в кости Крагель. «Если нейронные сети не расшифруют их должным образом, у них всегда будут ограниченные знания о том, как работает мозг».
Крагель был удивлен тем, насколько хорошо работает EmoNet, но это не значит, что система уже совершенна. Две наиболее точно отображаемые категории — это «сексуальное желание» и «жадность/стремление», но иногда это плохо работает с динамически выражаемыми эмоциями, например, с удивлением, которое может быстро перерасти в радость или гнев в зависимости от ситуации. также с большим трудом находит различия и нюансы между такими эмоциями, как обожание, веселье и радость, из-за их тесной взаимосвязи.
Есть ли риски?
Ханна Дэвис, профессор генеративной музыки в Нью-Йоркском университете, считает, что обучать компьютер эмоциям не опасно. «Было бы опасно, — говорит он, — если бы мы стали различать эмоции с таким же схематизмом и такой же скудостью нюансов».
Как ее винить? Кодирование эмоции по фотографии не означает ее понимания или сопереживания. И уже сегодня в социальных сетях у нас может сложиться впечатление, что люди ограничивают свои эмоции количеством смайликов, которые они могут найти.
«Умеет ли модель чувствовать эмоции? Определенно нет. Это только чтение в некоторых категориях, конечно, не в сложности человеческого опыта. Мог ли он испытывать эмоции в будущем? Этого нельзя исключать. Возможно."
