Исследователям удалось заставить ИИ понять наши субъективные представления о том, что делает лицо привлекательным для нас.
Аппарат автономно создает индивидуальный портрет лица, у которого есть особенность: оно нам нравится. Субъективно нам это очень нравится.
Применений много: результаты можно использовать, например, для моделирования предпочтений и принятия решений, а также для выявления потенциально бессознательных установок.
Например, каждый мог бы чувствовать себя комфортно с более привлекательной виртуальной службой поддержки (или продавцом).

Скажи мне, какой у тебя мозг, и я покажу тебе красивое лицо
Исследователи из Университета Хельсинки и Копенгаген они изучали, сможет ли компьютер определить черты лица, которые мы считаем привлекательными, и на основе этого создать новые изображения, соответствующие нашим вкусам.
Исследователи использовали искусственный интеллект для интерпретации сигналов мозга и объединили интерфейс мозг-компьютер с генеративной моделью искусственных лиц.
«В наших предыдущих исследованиях мы разработали модели, которые могут идентифицировать и контролировать простые портретные характеристики, такие как цвет волос и выраженные эмоции», — говорит старший научный сотрудник и лектор. Мишель Спапе.
«Тем не менее, люди в основном согласны с тем, кто блондин, а кто улыбается. То, что они считают привлекательным, является более сложным предметом изучения».
Это правда: суждение о том, что является привлекательным для каждого из нас, также зависит от культурных и психологических факторов, которые, вероятно, играют бессознательную роль в наших индивидуальных предпочтениях. Вот почему нам часто очень трудно объяснить, что именно делает нас чем-то или кем-то привлекательным: красота в глазах смотрящего. И в мозгу, я бы добавил.
Исследование, объединяющее информатику и психологию, было выпущено в феврале. в журнале IEEE Transactions in Affective Computing.
Предпочтения, выставленные мозгом
Изначально исследователи отнесли его к сети вражеский генеративный нейрон (GAN) задача создания сотен искусственных портретов. Изображения были показаны по одному 30 добровольцам, которых попросили обратить внимание на лицо, которое они сочли привлекательным, в то время как их реакции мозга были записаны с помощью электроэнцефалографии (ЭЭГ).
«Это работало примерно так же, как приложение для знакомств Tinder: участники проводили пальцем вправо каждый раз, когда видели привлекательное лицо. Мы измерили реакцию их мозга на изображения», — объясняет он. Мишель Спапе.
В итоге: исследователи проанализировали данные ЭЭГ с помощью методов машинного обучения, связав отдельные данные ЭЭГ через интерфейс мозг-компьютер с генеративной нейронной сетью.
«Подобный интерфейс мозг-компьютер может интерпретировать мнения пользователей о привлекательности серии изображений. На этой основе вырабатывается совершенно новый образ лица, с характеристиками того, что конкретный человек находит привлекательным», — говорит он. Туукка Руотсало, научный сотрудник Академии и доцент, который руководит проектом.

Результаты тестирования
Проверив двойную слепую процедуру, исследователи обнаружили, что новые изображения точно соответствуют предпочтениям испытуемых. более чем на 80%.
Способность оценить привлекательность особенно важна, поскольку это очень личное психологическое свойство. До сих пор компьютерное зрение очень успешно классифицировало изображения на основе объективных моделей. Сегодня мы знаем, что можно обнаруживать и генерировать образы на основе психологических свойств, таких как личный вкус.
В будущем такие системы могли бы еще больше улучшить приложения для знакомств, предлагая в обязательном порядке привлекательных людей для каждого из нас.
Но это всего лишь капля в море. Совершенствуя эту теорию, искусственный интеллект можно научить извлекать решения и предпочтения из чтения нашим мозгом практически всего, что нас интересует.
Ссылки: «Мозг-компьютерный интерфейс для создания лично привлекательных изображений»,
Мишель Спапе, Кит Дэвис, Лаури Кангассало, Никлас Равая, Зания Совиярви-Спапе, Туукка Руотсало. IEEE Transactions on Affective Computing, 2021 г.; 1 DOI: 10.1109 / TAFFC.2021.3059043