Exploring Semantic and Visual Information in Face Perception and Self-Perception with Deep Neural Networks
Notice bibliographique
Résumé
Extensive work has evaluated the contributions of visual and semantic information to face perception, with recent efforts leveraging deep neural networks. Building on this body of work, the present study evaluates the robustness and effectiveness of various neural network models in capturing these contributions. To this end, female White participants (n = 40) rated the pairwise similarity of unfamiliar and familiar (i.e., famous) faces, including their own faces. The stimuli comprised female White young adult faces with neutral expressions. In addition, participants rated all faces for attractiveness and familiarity. Regarding semantic information, a sentence generative pre-trained transformer (SGPT) (Muennighoff, 2022) reliably accounted for relevant variance in the behavioral data. Its explanatory power, as expected, was modulated by face familiarity and depended on the source of information (e.g., celebrity descriptions provided by AI conversational agents were more effective than Wikipedia entries). Regarding visual information, discriminative models (e.g., ArcFace; Deng et al., 2019) and generative models (e.g., StyleGAN; Karras et al., 2020) trained with face images provided complementary and overlapping contributions to explaining the data. Further, we found that explanatory power varied as a function of training set and architecture (e.g., StyleGAN2 outperformed StyleGAN3 in this respect). Last, StyleGAN2’s explanatory power was harnessed to map behavioral data into its latent space. Then, we used its generator to synthesize hyper-realistic approximations of unfamiliar and familiar face percepts, including the participants’ own faces. These findings demonstrate the utility of combining semantic and visual models to study face perception and highlight the potential of generative networks to recover visual representations. Further, this approach provides a novel framework for exploring the cognitive basis of self-perception.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».