Implicit learning of geometric eigenfaces: evidence for the formation of face space dimensions
Notice bibliographique
Résumé
The face space hypothesis suggests that individual faces are encoded as points in a multidimensional space, whose dimensions are formed based on experience with faces (Valentine, 1991). Approaches based on Principal Component Analysis (PCA) have been widely used to extract dimensional information from faces in developing automated face recognition algorithms (Turk & Pentland, 1991) and in recent investigation of the psychological properties of the face space dimensions (Said & Todorov, 2011). However, there has not been any evidence showing that humans learn dimensional information from experience with faces in a way similar to PCA. In the current study, we set up a multidimensional stimulus space with synthetic faces that capture the major shape information in real faces. Adult participants (N = 10) studied a set of 16 synthetic faces sampled from this multidimensional stimulus space, and subsequently performed an old/new face recognition task with the distracter faces being 16 faces from an non-overlapping region of this stimulus space relative to the 16 studied faces. In addition, participants also judged 3 faces representing the average and two directions of the first principal component (the eigenfaces) of the studied faces. Participants learned the target faces well, as demonstrated by a high hit rate (.74) and a low false alarm rate (.12). However, they mistakenly reported that they had previously seen the average face and the eigenfaces of the studied faces and did so at a rate (.98, .95, .97 for the average face and two eigenfaces, respectively) even higher than their rate of correct reports for the learned faces (ps <.01). The findings suggest that human adults implicitly learn the average and several principal components from experience with faces, offering direct evidence for the formation of face space dimensions. Meeting abstract presented at VSS 2012
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».