Less is more: Aesthetic liking is inversely related to metabolic expense by the visual system
Notice bibliographique
Résumé
What makes us like a particular scene or object and dislike another? A variety of visual properties, the observers’ experience, familiarity, processing fluency, and self-relevance have been suggested to underlie aesthetic liking. Here we investigate whether the brain’s goal to reduce energy costs (Olshausen and Field 1997; Friston, 2010) explains the construction of aesthetic appreciation. We propose a simple, straightforward approach to explaining neural responses to visual stimuli with different levels of aesthetic preference: the total metabolic cost of firing of neurons within relevant regions of interest. We test this hypothesis in an in-silico model of the visual system (VGG19) as well as human observers and find strong evidence in both. Specifically, we compare the metabolic cost incurred by 4914 images of objects and scenes from the BOLD5000 dataset for a VGG19 network pretrained for object and scene categorization with randomly initialized versions of VGG19. We find a strong inverse relationship between aesthetic preferences for the images and their metabolic cost, but only in the network trained for categorization. We then test the same hypothesis in the human visual system by comparing aesthetic liking of visual stimuli to the metabolic activity measured with functional magnetic resonance imaging. Crucially, we find strong evidence for the hypothesized inverse relationship between metabolic expense and aesthetic liking in both early visual brain regions (V1 and V4) and high-level regions (FFA, OPA, PPA). These findings represent the first direct evidence for a physiological basis of visual aesthetics at the level of energy consumption by the visual system. Aesthetic pleasure may function as an adaptive homeostatic signal to help conserve energy resources for survival. Our metabolic account for aesthetic liking unifies empirical evidence for visual discomfort with theories of processing fluency, image complexity, expertise, and prototypicality for aesthetic liking in a simple, physiologically plausible framework.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».