Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

小婷作者

史上最科学的AI算命研究,3万张自拍揭露长相与性格关系:颜值即命

“看面识相” 乍听上去,给人一种不太科学的感觉,但自古以来,中西方各个时代对于“看面识相”都有所讨论,且所持态度褒贬不一。从古希腊的相貌学家到意大利犯罪学家、精神病学家龙勃罗梭(Cesare Lombroso),人们都曾试图揭开人的面部外貌与性格之间的关联性,但大多数想法都没能经得起现代科学的检验。

近日,来自俄罗斯国家研究型高等经济大学和人文与经济开放大学的研究人员联合BestFitMe ,发布了一项关于“看面识相”的最新研究成果,这项研究提供了新的证据,进一步证实了人类的个性与个人的面部特征有关。而且人工智能能够比 “人类 ”评估者更好地根据 “自拍照” 照片作出人物性格推断。

这项研究成果于 5 月 22 日发表在 Scientific Reports 上,论文题为 “用真实的静态面部图像评估五大人格特征(  Assessing the Big Five personality traits using real-life static facial images )” 。

研究人员表示,基于这一研究发现,大量的潜在应用有待开发。在高速度和低成本和高准确度的情况下,从真实照片中识别人物性格可以补充传统的人格评估方法。人工智能的这一应用可以用来寻找最适合客户个性的产品,比如客服、约会或在线家教等活动中,为客户选择 "最佳匹配者"。

科学“看脸”算命的依据

看面相算命,相信大家都不陌生了。但是在这个“看脸”的时代,随着人工智能的发展,又催生了一个新生业态 —— “ AI 看面识相 ”,AI 性格分析,AI 性格匹配 .... 各种相关应用也大受年轻人的追捧。

在人格科学研究领域,人格结构中的五个因素被称为 “大五”(Big Five),五种人格特质分别是:

  • 神经质(N)——情绪稳定性:焦虑、敌对、压抑、自我意识、冲动、脆弱
  • 外倾性(E)——外向性:热情、社交、果断、活跃、冒险、乐观
  • 经验开放性(O)——开放性:想象、审美、情感丰富、求异、智能
  • 宜人性(A)——随和性:信任、直率、利他、依从、谦虚、移情
  • 认真性(C)——谨慎性:胜任、条理、尽职、成就、自律、谨慎
强有力的理论和进化论证表明,一些关于人的个性特征的信息,尤其是那些对社交至关重要的信息,可能是通过人的面部传达出来。毕竟,人的面容和行为都是由基因和荷尔蒙塑造的,而由人的外貌所产生的社会经验可能会影响到人的性格发展。

现有的研究也已经揭示了基于五因素模型或大五 ( BF ) 人格模型的客观面部图像线索和一般人格特征之间的联系。

面部表情分析是一个多特征复杂分析问题,来自神经科学领域的研究证据表明,人的大脑在处理面部图像时,并非只关注特定的面部特征细节,而是以一种全局处理的方式,对所看到的面部图像进行分析。

机器学习领域的人工神经网络(ANNs)恰恰具有这一优点,ANNs 可以以整体的方式提取和处理重要的特征,且最近 ANNs 在分析人类面部、身体姿势和行为以推断明显的个性特征方面的应用表明,这种方法比单独的人类评分者具有更高的预测准确性。

AI人物性格分析

在这项最新研究中,研究人员选取 1.2 万名志愿者为研究样本,根据 “人格结构五因素模型” 完成自我报告问卷,测量他们的性格特征,共上传了 3.1 万张 “自拍照片”。

在研究中,被调查者被随机分为训练组和测试组。通过一系列的神经网络对图像进行预处理,确保图像的质量和特征一致,并排除了带有情绪化表情的人脸,以及名人和猫的照片。

然后研究人员开发了一个计算机视觉神经网络 (NNCV) ,并在一个标有“自我报告五大特征”的大数据集上对其进行训练,从而绕过了人类评分员的可靠性限制,揭示了基于人脸 “ 自拍 ” 照片进行人物性格分析的能力。

接下来,研究人员训练了一个人格诊断神经网络 (NNPD) ,将每张图片分解成 128 维空间中的向量,然后再训练一个多层感知器,NNPD 以从 NNCV 得到的不变量向量作为输入,预测大五人格特质作为输出,利用图像特征向量来预测性格特征。该网络使用相同的硬件进行训练,训练过程耗时 9 天,整个过程分别对男性和女性面部进行看分析。
计算机视觉神经网络 ( NNCV ) 和人格诊断神经网络 ( NNPD ) 的层结构
研究结果表明,该模型的性能高于先前使用机器学习或人类评分者的研究发现。根据志愿者上传至网上的 “ 自拍照 ” ,人工智能模型能够对责任心、情绪稳定性、外向性、亲和性和开放性做出高于偶然性的判断,性格评价性能优于之前使用机器学习或人类评判员所作出的分析性能。由此得出的性格判断方法在同一个人的不同照片上的评价性能是一致的。

在 58% 的案例中,AI 可以正确猜出两个随机选择的个体在人格维度上的相对地位,而不是偶然预期的 50%。与自我报告的和观察者的人格特质等级之间的相关性的荟萃分析估计相比,这表明依赖静态面部图像的人工神经网络的性能要优于普通人,后者无需事先相识即可亲自达到目标。相比其他四个特征,责任心比其他四个特征更容易被识别;基于女性面孔的性格预测似乎比男性面孔的预测更可靠。
根据大五人格特质合成的人脸特征图像,拿出你的自拍照来看下你是哪种性格这一研究结果也表明,哪怕是在不受控制条件下拍摄的真实照片,也可以使用复杂的计算机视觉算法来预测人格特征,这一发现与之前主要依赖于在受控环境下拍摄的高质量面部图像的研究形成了对比。

虽然该研究表现出了较强的性格预测能力,但研究人员也表示,该研究目前还存在一定的局限性。

首先,现实生活中的照片带有各种微妙的线索,比如化妆、角度、面部表情,以及人们在拍摄和分享自己的照片时做出的所有其他选择的相关信息。这些额外的线索可以说明他们的性格,而所有这些变量的影响与静态面部特征是不可分割的,因此很难从研究结果中得出重要结论。

其次,涉及到地理上有界限的个体样本,该研究的参与者大部分是白种人,代表一个文化和年龄群体。未来的研究可以使用代表更多样化的种族、文化和年龄群体的人口来扩展这一研究。

不管怎么说,有科学依据的 AI“看脸算命”,还是比时不时刷屏的朋友圈算命,要靠谱许多。

参考资料:
https://www.nature.com/articles/s41598-020-65358-6
https://techxplore.com/news/2020-05-artificial-intelligence-personality-judgments-based.html
https://telanganatoday.com/ai-can-make-personality-judgements-based-on-our-photographs-study
Komarraju, M., Karau, S. J., Schmeck, R. R., & Avdic, A. (2011). The big five personality traits, learning styles, and academic achievement. Personality and Individual Differences, 51(4), 472-477. doi:10.1016/j.paid.2011.04.019
AMiner学术头条
AMiner学术头条

AMiner平台由清华大学计算机系研发,拥有我国完全自主知识产权。系统2006年上线,吸引了全球220个国家/地区800多万独立IP访问,数据下载量230万次,年度访问量1000万,成为学术搜索和社会网络挖掘研究的重要数据和实验平台。

https://www.aminer.cn/
专栏二维码
产业机器学习计算机视觉神经网络AI
5
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经科学技术

神经科学,又称神经生物学,是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。 对人脑研究是个跨领域的范畴,当中涉及分子层面、细胞层面、神经小组、大型神经系统,如视觉神经系统、脑干、脑皮层。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

推荐文章
暂无评论
暂无评论~