图片来历：MIT
麻省理工学院媒体实验室(MIT Media Lab)的研讨人员开发了一种机器学习模型，它使核算机更挨近于像人类相同自然地解说咱们的心境。
在“情感核算”这个不断发展的范畴，正在开发机器人和核算机来剖析面部表情，解说咱们的心境，并做出相应的反响。例如，运用程序包含监控个人的健康和美好，衡量学生对讲堂的爱好，协助确诊某些疾病的痕迹，以及开发有用的机器人同伴。
可是，应战是人们依据许多要素表达心境的办法彻底不同。在文明、性别和年龄组中能够看到一般差异。可是其他差异乃至更纤细：一天中的时刻，你睡了多久，乃至你对说话同伴的了解程度，都会导致你在某一特定时刻表达高兴或哀痛的奇妙改动。
人类的大脑天性地捉住这些误差，但机器却对此非常挣扎。尽管近年来开发了深度学习技能以协助捕捉奇妙之处，但它们依然无法尽可能地精确描绘或习惯不同人群。
媒体实验室的研讨人员开发了一种机器学习模型，该模型在捕捉这些小的面部表情改动方面优于传统体系，能够在练习数千张面部图画时更好地衡量心境。此外，经过运用一些额定的练习数据，该模型能够习惯全新的一组人，具有相同的成效。意图是改善现有的情感核算技能。
“这是监控咱们心境的一种不引人注意图办法。”媒体实验室研讨员兼合作者Oggi Rudovic在一篇描绘该模型的论文中说道，“假如你想要具有交际智能的机器人，你有必要让它们变得聪明，更像人类，能够自然地回应咱们的心境和心境。”
该论文的一起作者是：榜首作者为Michael Feffer，电气工程和核算机科学的本科生; Rosalind Picard，媒体艺术和科学教授，情感核算研讨小组的开创负责人。
个性化专家
传统的情感核算模型运用“一刀切”的概念。他们在一组图画上进行练习，图画上描绘了各式各样的面部表情，优化了一些特征 —— 例如唇部在浅笑时怎么弯曲 —— 并将这些一般特征优化映射到整个新图画集。
相反，研讨人员将一种称为“混合多专家模型”(MoE)的技能与模型个性化技能相结合，这种技能协助从个别中挖掘出更细粒度的面部表情数据。 Rudovic说，这是榜首次将这两种技能结合起来用于情感核算。
在MoE中，许多称为“专家”的神经网络模型都经过练习，专门从事独自的处理使命并发生一个输出。 研讨人员还纳入了一个“门控网络”，它能够核算出哪个专家能够最能发觉未被发现心境的概率。 “基本上，网络能够分辩出不同的个别，并指出，这是给定图画的正确专家。”Feffer说。
关于他们的模型，研讨人员经过将每个专家与RECOLA数据库中的18个独自视频录制中的一个进行匹配来个性化MoE。RECOLA数据库是一个公共数据库，在专为情感核算运用规划的视频聊天平台上，人们进行攀谈的数据。他们运用9个分类练习模型，并在其他9个分类上对其进行评价，一切视频都分解为独自的帧。
每个专家和门控网络在剩余网络(“ResNet”)的协助下盯梢每个人的面部表情，该网络是用于物体分类的神经网络。在这样做时，模型依据心境效价(愉快或悲伤)和唤醒(振奋)对每个帧进行评分，这是一种常用方针来编码不同的心境状况。别的，六名人类专家依据-1(低水平)到1(高水平)的等级符号每一帧的效价和唤醒，该模型也用于练习。
然后，研讨人员进行了进一步的模型个性化，他们从剩余视频片段的一些帧中输入练习过的模型数据，然后在这些视频中对一切看不见的帧进行测验。最终的成果显现，只要5%到10%的数据来自新人群，该模型大大优于传统模型，这意味着它在看不见的图画上获得了效价和唤醒，更挨近人类专家的解说。
Rudovic说，这表明模型在很少的数据下，从人群到人群，或个别到个别的习惯力。 “这是要害。”他说， “当你有一个新人群时，你有必要有办法解说数据散布的改动[奇妙的面部改动]。想象一个模型集来剖析一种文明中需求习惯不同文明的面部表情。假如不考虑这种数据搬运，那些模型将会体现欠安。可是，假如你仅仅重新文明中抽取一点来调整咱们的模型，这些模型能够做得更好，特别是在个人层面。这是最能体现模型个性化重要性的当地。”
现在可用于这种情感核算研讨的数据在肤色方面并不是很多样，因而研讨人员的练习数据是有限的。可是，当这些数据可用时，能够练习模型以用于更多不同的人群。 Feffer说，下一步是将模型练习为“一个愈加多元化文明的更大数据集”。
更好的人机交互
研讨人员说，练习模型的另一个方针是，协助核算机和机器人主动从少数改动的数据中学习，以更自然地检测咱们的感触并更好地满意人类的需求。
例如，它能够在核算机或移动设备的布景中运转，以盯梢用户依据视频的对话，并在不同的环境下学习纤细的面部表情改动。 “你能够让智能手机运用程序或网站之类的东西能够分辩出人们的感触，并提出应对压力或痛苦的办法，以及其它对他们日子发生负面影响的工作。”Feffer说。
这也可能有助于监测抑郁症或痴呆症，由于人们的面部表情往往因这些条件而奇妙地改动。 “能够被动地监控咱们的面部表情。”Rudovic说，“跟着时刻的推移，咱们能够向用户个性化这些模型，并监控他们每天有多少误差 —— 违背均匀表情水平 —— 并采用它关于健康和美好的方针。”
Rudovic说，一个很有出路的运用是人类—机器人互动，例如个人机器人或用于教育意图的机器人，机器人需求习惯，并评价许多不同人的心境状况。例如，一个版别被用于协助机器人更好地解说自闭症儿童的心境。
