Visualizing the Other-Race Effect with GAN-based Image Reconstruction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The other-race effect (ORE) describes the advantage of recognizing faces of one’s own race better than other-race faces. While this effect has been extensively documented, its representational basis remains elusive. This study aims to bridge this gap by employing style-based generative adversarial networks (i.e., styleGAN2), a deep learning technique for generating photorealistic images (Karras et al., 2020), in conjunction with facial image reconstruction to investigate the characteristics and mechanisms underlying the ORE. Specifically, we explored how the ORE manifests in styleGAN2, by analyzing the similarity in face representations between GANs and adult participants. This involved assessing the pairwise visual similarity of GAN-generated face images by East Asian and Caucasian participants (N = 106). We then compared the structure of the human face space with that of the GAN latent face space and of other neural network face models (i.e., VGG16 and InsightFace). Our findings suggest that GANs offer insights into face recognition that are not captured by existing models. Furthermore, by leveraging the representational similarity between GANs and human participants, we were able to reconstruct perceptual face representations associated with viewing East Asian and Caucasian face stimuli. Last, we identified latent vector features associated with the ORE and we visualized systematic differences associated with the perception of other-race faces. In conclusion, this research provides a novel perspective on the ORE by integrating generative deep learning techniques in the behavioral study of face perception. The ability of GANs to complement other models of face space structure and perceptual bias underscores their potential as a tool in the study of face perception. Our findings not only contribute to the theoretical understanding of the ORE but also demonstrate the utility of GANs and image reconstruction in behavioral research.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle