Beauty is in the ELBO of the Beholder: A Variational Account of Processing Fluency in Face Perception
Dit artikel toont aan dat menselijke oordelen over gezichtsaantrekkelijkheid overeenkomen met de evidence lower bound (ELBO) van variational autoencoders die zonder supervisie zijn getraind, wat empirische steun biedt voor de theorie dat esthetisch plezier voortkomt uit de verwerkingsvloeiendheid van statistisch regelmatige, prototype gezichten.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Decennialang hebben wetenschappers zich afgevraagd waarom sommige gezichten ons boeien terwijl andere naar de achtergrond verdwijnen. Theorieën over menselijke perceptie suggereren al lang dat schoonheid niet alleen een kwestie is van persoonlijke smaak, maar diep geworteld is in hoe gemakkelijk onze hersenen kunnen verwerken wat we zien. Wanneer een gezicht symmetrisch, gemiddeld of bekend is, lijken onze geest het met minder inspanning te herkennen, een fenomeen dat bekend staat als verwerkingsvloeiendheid (processing fluency). Deze gemakkelijke begrijpelijkheid wordt geacht een gevoel van plezier op te wekken, wat ertoe leidt dat we die gezichten als aantrekkelijker beoordelen. Hoewel dit idee in talloze gedragsexperimenten met menselijke proefpersonen is getest, bleef het onduidelijk hoe deze mentale gemakkelijkheid daadwerkelijk ontstaat binnen de complexe machinerie van het leren. Kan een computer, getraind om enkel gezichten te zien zonder ooit te zijn verteld welke mooi zijn, een soortgelijke voorkeur ontwikkelen?
Om dit te beantwoorden, wenden onderzoekers Francisco López en Jochen Triesch zich tot een type kunstmatige intelligentie dat een variational autoencoder wordt genoemd. Dit zijn machines die zijn ontworied om de onderliggende structuur van gegevens te leren, zoals duizenden foto's van menselijke gezichten, zonder menselijke begeleiding of labels over schoonheid. Het systeem werkt door een gezicht te comprimeren tot een vereenvoudigde interne code en het vervolgens vanuit die code weer te reconstrueren. Om dit succesvol te doen, moet de machine een evenwicht vinden tussen twee concurrerende doelen: het moet genoeg detail behouden om het gezicht nauwkeurig te reproduceren, maar het moet ook de interne code simpel en georganiseerd houden. De onderzoekers stelden voor dat de wiskundige score die wordt gebruikt om te meten hoe goed de machine dit evenwicht tussen deze twee doelen bewaart, een directe, computationele versie is van de menselijke verwerkingsvloeiendheid. Als een gezicht gemakkelijk voor de machine te begrijpen en te reconstrueren is, zou het hoog scoren op deze maatstaf.
Het team trainde vier afzonderlijke AI-modellen op verschillende grote collecties gezichtsbellen, waarbij werd gewaarborgd dat geen van de modellen ooit een menselijke beoordeling van aantrekkelijkheid zag. Ze testten deze modellen vervolgens op een standaardset van 597 gezichten uit de Chicago Face Database, waarvoor menselijke beoordelingen van aantrekkelijkheid al bekend waren. De resultaten waren opmerkelijk. De gezichten die mensen als het mooist beoordeelden, waren consequent dezelfde gezichten die de machines het gemakkelijkst konden verwerken. In de wiskundige ruimte waar de machines gezichten organiseren, kwam de richting van toenemende schoonheid bijna perfect overeen met de richting van toenemende verwerkingsgemak. Deze afstemming bleef standhouden, ongeacht welk dataset de machine gebruikte of tot welke specifieke demografische groep de gezichten behoorden. De machine hoefde niet geleerd te worden wat schoonheid was; het ontdekte een pad naar schoonheid simpelweg door te leren gezichten efficiënt te zien.
Verder ontdekten de onderzoekers dat deze voorkeur niet slechts een enkel getal was, maar een specifieke richting in de interne kaart van de machine. Toen ze de kaarten vergeleken die door verschillende modellen waren gemaakt, ontdekten ze dat de "schoonheidsrichting" opmerkelijk consistent was. Zelfs hoewel de modellen vanaf nul waren opgebouwd met verschillende startpunten en verschillende trainingsdata, organiseerden ze de gezichten allemaal op een manier die wees naar hetzelfde concept van aantrekkelijkheid. Dit suggereert dat het menselijke gevoel van schoonheid geen willekeurig cultureel construct is, maar verbonden is aan een fundamentele, reproduceerbare structuur in hoe gezichten worden gerepresenteerd. De studie bevestigde ook dat aantrekkelijke gezichten meer "prototypisch" zijn, wat betekent dat ze meer lijken op het gemiddelde gezicht van hun groep, zowel in hun fysieke vorm als in de interne code van de machine. De machine's vermogen om schoonheid te voorspellen ging echter verder dan eenvoudige gemiddelden; het ving subtiele details op die een basisgeometrisch gemiddelde zou missen.
De bevindingen vormen een nieuwe brug tussen de oude esthetische theorieën en moderne kunstmatige intelligentie. Ze suggeries dat het plezier dat we ervaren bij het zien van een mooi gezicht kan voortkomen uit dezelfde efficiëntie die een machine in staat stelt om een afbeelding met minimale fouten te comprimeren en te reconstrueren. Het succes van de machine in het voorspellen van menselijke voorkeuren zonder enige menselijke instructie impliceert dat onze aantrekkingskracht tot bepaalde gezichten diep verbonden is met de gemak waarmee onze geest ze kan begrijpen. Hoewel de studie niet beweert dat menselijke hersenen exact zoals deze computermodellen werken, biedt het sterk bewijs dat de principes van efficiënte representatie een essentieel onderdeel zijn van het verhaal. Het onderzoek concludeert dat schoonheid, in de context van gezichtperceptie, inderdaad in het oog van de toeschouwer ligt, maar dat dat oog wordt geleid door een diepe, gedeelde logica van hoe informatie wordt verwerkt en begrepen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.