Beauty is in the ELBO of the Beholder: A Variational Account of Processing Fluency in Face Perception
Questo articolo dimostra che i giudizi umani sull'attrattività facciale si allineano con l'evidenza inferiore del limite (ELBO) di autoencoder variazionali addestrati senza supervisione, fornendo un supporto empirico alla teoria secondo cui il piacere estetico derivi dalla fluidità di elaborazione di volti prototipici e statisticamente regolari.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Per decenni, gli scienziati si sono chiesti perché alcuni volti ci catturino mentre altri passino inosservati. Le teorie della percezione umana suggeriscono da tempo che la bellezza non sia solo una questione di gusto personale, ma sia profondamente radicata nel modo in cui il nostro cervello riesce a elaborare ciò che vede. Quando un volto è simmetrico, medio o familiare, la nostra mente sembra riconoscerlo con meno sforzo, un fenomeno noto come fluidità di elaborazione. Questa facilità di comprensione si pensa generi una sensazione di piacere, portandoci a considerare quei volti più attraenti. Sebbene questa idea sia stata testata in innumerevoli esperimenti comportamentali con soggetti umani, è rimasto poco chiaro come questa facilità mentale emerga effettivamente all'interno della complessa macchina dell'apprendimento. Può un computer, addestrato solo a vedere volti senza mai essere stato istruito su quali siano belli, sviluppare un simile senso di preferenza?
Per rispondere a questo, i ricercatori Francisco López e Jochen Triesch si sono rivolti a un tipo di intelligenza artificiale chiamato autoencoder variazionale. Si tratta di macchine progettate per apprendere la struttura sottostante dei dati, come migliaia di fotografie di volti umani, senza alcuna guida umana o etichette riguardanti la bellezza. Il sistema funziona cercando di comprimere un volto in un codice interno semplificato e poi ricostruendolo da quel codice. Per farlo con successo, la macchina deve bilanciare due obiettivi contrastanti: deve mantenere abbastanza dettagli per ricreare il volto accuratamente, ma deve anche mantenere il codice interno semplice e organizzato. I ricercatori hanno proposto che il punteggio matematico utilizzato per misurare quanto bene la macchina bilanci questi due obiettivi sia una versione diretta e computazionale della fluidità di elaborazione umana. Se un volto è facile da comprendere e ricostruire per la macchina, dovrebbe ottenere un punteggio elevato su questa misura.
Il team ha addestrato quattro modelli di IA separati su diverse ampie collezioni di immagini di volti, assicurandosi che nessuno dei modelli vedesse mai una valutazione umana di attrattiva. Hanno poi testato questi modelli su un set standard di 597 volti dal Chicago Face Database, per i quali le valutazioni umane di bellezza erano già note. I risultati sono stati sorprendenti. I volti che gli esseri umani hanno valutato come più belli erano costantemente gli stessi volti che le macchine trovavano più facili da elaborare. Nello spazio matematico in cui le macchine organizzano i volti, la direzione del crescente splendore si allineava quasi perfettamente con la direzione della crescente facilità di elaborazione. Questo allineamento rimaneva valido indipendentemente dal dataset su cui la macchina era stata addestrata o dal gruppo demografico specifico a cui appartenevano i volti. La macchina non aveva bisogno di essere istruita su cosa fosse la bellezza; ha scoperto un percorso verso di essa semplicemente imparando a vedere i volti in modo efficiente.
Inoltre, i ricercatori hanno scoperto che questa preferenza non era solo un numero singolo, ma una direzione specifica nella mappa interna della macchina. Confrontando le mappe create dai diversi modelli, hanno scoperto che la "direzione della bellezza" era straordinariamente coerente. Nonostante i modelli fossero stati costruiti da zero con diversi punti di partenza e diversi dati di addestramento, tutti organizzavano i voli in un modo che puntava verso lo stesso concetto di attrattiva. Ciò suggerisce che il senso umano di bellezza non sia una costruzione culturale casuale, ma sia legato a una struttura fondamentale e riproducibile nel modo in cui i volti vengono rappresentati. Lo studio ha anche confermato che i volti attraenti tendono a essere più "prototipici", ovvero somigliano di più al volto medio del loro gruppo, sia nella forma fisica che nel codice interno della macchina. Tuttavia, la capacità della macchina di prevedere la bellezza andava oltre le semplici medie, catturando dettagli sottili che una media geometrica di base potrebbe perdere.
I risultati offrono un nuovo ponte tra le vecchie teorie dell'estetica e l'intelligenza artificiale moderna. Suggeriscono che il piacere che proviamo guardando un volto bellissimo possa derivare dalla stessa efficienza che permette a una macchina di comprimere e ricostruire un'immagine con un errore minimo. Il successo della macchina nel prevedere le preferenze umane senza alcuna istruzione umana implica che la nostra attrazione per certi volti è profondamente connessa alla facilità con cui le nostre menti riescono a dare un senso a essi. Sebbene lo studio non affermi che il cervello umano funzioni esattamente come questi modelli informatici, fornisce prove solide del fatto che i principi della rappresentazione efficiente siano una parte chiave della storia. La ricerca conclude che la bellezza, nel contesto della percezione del volto, è effettivamente nell'occhio di chi guarda, ma che tale occhio è guidato da una logica profonda e condivisa di come le informazioni vengono elaborate e comprese.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.