ԱՐՀԵՍՏԱԿԱՆ ԲԱՆԱԿԱՆՈՒԹՅՈՒՆ ԲԱՐՁՐԱԳՈՒՅՆ ՏԵԽՆՈԼՈԳԻԱ ԿԵՆՍԱԲԱՆՈՒԹՅՈՒՆ

ԱԲ-ն կարող է ստեղծել մարդու գեղագիտական նախասիրություններին համապատասխան դիմանկարներ

Կոպենհագենի և Հելսինկիի համալսարանների գիտնականները ստեղծել են ԱԲ, որը, վերլուծելով մարդու էլեկտրոէնցեֆալոգրաֆիայի (ԷԷԳ) տվյալները, կարող է ստեղծել մարդու գեղագիտական նախասիրություններին համապատասխան դիմանկարներ։ Ըստ հեղինակների, կանխատեսման ճշգրտությունը գերազանցում է 80%-ը:

Մենք հեշտությամբ կարող ենք որոշել՝ արդյո՞ք գեղեցիկ է տվյալ մարդը մեզ համար, թե ոչ, սակայն գիտնականների համար առ այսօր էլ բավականին դժվար է առանձնացնել , թե որ գործոնների հիման վրա ենք մենք նման որոշումներ կայացնում։ Երկար տարիների ուսումնասիրությունների արդյունքում հնարավոր է դարձել առանձնացնել մի քանի ընդհանուր օրինաչափություններ, ինչպիսիք են՝ դեմքի համաչափությունը, դեմքի տարբեր մասերի հարաբերությունը և այլն։ Իսկ անհատական նախասիրությունների հարցում չափանիշներն էլ ավելի անորոշ են՝ սոցիալական և մշակութային փորձը, հորմոնների մակարդակը և ինքնագնահատականը։

Այնուամենայնիվ, այս տվյալները բավական չէին, որպեսզի հնարավոր լիներ ստեղծել այնպիսի դեմքի պատկեր, որը կհամապատասխաներ առանձին մարդու գեղագիտական նախասիրություններին։

Այս խնդիրը լուծելու համար էլ ֆինն գիտնականները ստեղծեցին մեքենայական ուսուցման համակարգ՝ գեներատիվ մրցակցային նեյրոնային ցանց (generative adversarial neural network (GAN)։ Նրան նախ և առաջ ԱԲ-ին սովորեցրին արհեստական դիմանկարներ ստեղծել, այնուհետև ԱԲ-ի կողմից ստեղծված պատկերները ցույց տվեցին փորձի մասնակիցներին։ Հետազոտողները վերջիններիս խնդրել էին գնահատել պատկերված մարդկանց գեղեցկությունն ու գրավչությունը։ Այդ ողջ ընթացքում մասնակիցների կրում էին էլեկտրոդներով էլաստիկ գլխարկներ, որոնք նախատեսված էին նրանց ուղեղի ակտիվությունը էլեկտրոէնցեֆալոգրաֆիայի միջոցով չափելու համար։

Ստացած տվյալների հիման վրա ԱԲ-ն կարողացավ յուրաքանչյուր մասնակցի համար ստեղծել իր գեղագիտական նախասիրություններին համապատասխան դիմանկարներ։

Պարզվեց, որ նեյրոնային ցանցի՝ որպես գրավիչ ստեղծած պատկերների 86.7 տոկոսը մասնակիցները համարեցին գրավիչ։ Հետևաբար կարող ենք ասել, որ ԱԲ-ն կարողացել է գտնել այնպիսի տվյալներ, որոնք նրան թույլ են տվել տարանջատել գլխուղեղի արձագանքները գրավիչ և անհրապուրիչ դեմքերի նկատմամբ։

Տվյալ ուսումնասիրությունը ևս մեկ օրինակ է այն բանի, թե ինչպես է ԱԲ-ն սովորում հասկանալ մեզ ավելի լավ, քան մենք ինքներս ենք կարող։

Հոդվածը հրապարակվել է IEEE Transactions in Affective Computing ամսագրում: