神經網路使我們能夠以新的方式「讀懂人臉」

AiTechYun

編輯：nanan

面部分析軟體正被用來預測性行為和安全風險。

去年9月，斯坦福大學教授Michal Kosinski利用AI試圖從他們臉上預測性取向時，引發了一場激烈的爭論。現在，他已經用自己的軟體來證明他所表達的觀點。

AI背後的機器學習類型，它能識別模式，並能從大量數據(如文本和圖像)中做出預測。其他由神經網路驅動的圖像識別技術正在開發中，包括閱讀自動駕駛標誌和自動檢測機場安全掃描儀中的武器。

近年來，神經網路也使得面部分析等技術更加精確。Kosinski教授說：「我試圖告訴大家，公司和政府正在利用面部分析技術，以前所未有的規模侵犯隱私。」

去年夏天，中國企業開始試用面部識別軟體，以幫助警方預測犯罪事件的發生。以色列公司Faception向各國政府出售安全用途的面部分析軟體。

Kosinski教授和他的共同研究人員Yilun Wang使用了一種叫做VGG-Face的面部分析軟體。設計VGG-Face的三名牛津大學研究人員之一的Andrea Vedaldi表示，在過去的兩年里，軟體的準確率大約翻了一番。

Kosinski教授和Yilun Wang從一個美國約會網站的35000個頭部照片中提取了數據，使用VGG-Face將他們的屬性翻譯成一系列數字，然後使用計算機模型來查找性與臉部特徵之間的相關性。

必須承認，他們並沒有創造出一個可以在現實世界中應用的愚蠢「Gaydar」，他們也不想這樣做。限制因素依然存在，包括他們只使用了白種人的圖像，而在其他任務中，他們的模型的準確性顯著下降。

有些人對結果持懷疑態度。Vedaldi教授說：「可以想像的是，他們所展示的是真實的，」「也許在資料庫中存在一些不必要的偏見，如果他們以其他方式收集數據，那就不存在了。」

牛津大學計算機科學教授Marta Kwiatowska在研究自動駕駛汽車的安全風險時說：「神經網路非常善於發現這些模式，但是當他們給你（一個答案）時，他們不善於告訴你是否存在一個相關關係，因為他們可能會看到一些隨機的模式。」

Kosinski教授表示，虛假的相關性是「最大的風險」，也是他研究的「主要挑戰」。他舉了一個假設的例子，可能會影響他的下一個項目的發現:「可能是共和黨人傾向於在室外拍攝[他們的臉]，而民主黨人的室內拍照，在亮度上也會有所不同。」在這種情況下，神經網路可以把注意力集中在亮度而不是面部表情上，但似乎可以看到面部的鏈接。

同樣，目前還不清楚他的軟體究竟是如何尋找性特徵的，以及是否發現了與性有關的內在特徵，或者是否主要集中在一些更膚淺的問題上，比如梳理之類。Kosinski教授說，這個模型既考慮了鼻子形狀等固定特徵，也考慮了表情等更多的瞬態因素。

Vedaldi教授表示：「如果網路能告訴你為什麼認為答案是這樣或那樣，那就太好了， 而機器本身並沒有完全理解。」

讓神經網路來解釋他們如何分析圖像是他目前研究的重點。

如果研究人員能夠理解神經網路是如何做出決定的——通過視覺線索，或者如果他們能夠識別出一些例子來說明為什麼他們的演算法選擇了一個特定的預測，那麼就會更容易地提高他們的準確性和偏差。

即便如此，他們的發展也有可能受到限制。神經網路需要高質量的數據源來訓練，這可以模擬真實世界的例子，但是獲取這些數據往往是困難的。他們也可以被照片之間的細微差別所欺騙，故意欺騙模特，被稱為「敵對的例子」。

Yilun Wang 表示：「我可以看到改善(視覺圖像和面部識別神經網路)性能的方法，但卻沒有看到達到百分之百的方法。」研究人員說，在神經網路能夠可靠地用於更多安全關鍵領域的面部識別之前，可能還需要一段時間。

「我不會用它們來控制核導彈，」Vedaldi教授說，「但他們不需要(達到犯罪現場調查水平)有用，他們只需要能夠大規模地系統地做一些事情來觀察成千上萬人的臉——突然間，你就已經部署了人類大腦的強大力量，並將其增加了1000倍。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！