機器學習能高準確度預測人類對不同人臉的吸引力評價
研究概述
近期，伊斯蘭阿匝德大學的研究人員建立了一個新模型來評估人臉在影象中的吸引力。這個模型使用機器學習和計算機視覺技術，旨在預測人類可能對不同人的臉部使用的評價，並且能夠高度準確地預測人類對不同臉部的吸引力評級。該研究成果對心理學和神經科學領域有重要意義，同時也給電腦科學領域提供了對面部吸引力概念及其使用機器學習進行評估的全新觀點。
研究方法
研究人員搜集了女性不同國籍臉部資料庫，資料庫中的資料來源包括了一部記載 2020 年最美女性 100 張臉的紀錄片和 Lab 倫敦資料庫等。使用這些資料庫，研究人員利用不同的演算法，包括基於 k 最近鄰(kNN)和支援向量迴歸(SVR)的模型，來試圖預測人類對不同臉孔的覺得吸引力程度的評價。
實驗表明，基於 kNN 的模型可以高度準確地預測人類對不同臉部的吸引力評級，其相關係數高於人類對同一組臉的評價。其回歸判定係數（R²）為 0.9902，均方根誤差（RMSE）為 0.0056，平均絕對百分比誤差（MAPE）為 0.0856。相對於之前的相關研究，這份研究的方法顯示出了顯著的進步。
討論
無論人們是否承認，外貌特徵在人類社互動動中扮演了至關重要的角色。而這項基於機器學習和計算機視覺的研究成果提供了對外貌吸引力概念及其定量化的新思路。此外研究人員認為，這個研究成果也拓展了對外貌吸引力領域的理解，並且拓展了電腦科學對機器學習的應用領域。
然而由於機器學習使用的資料很大程度地來自於人類對不同人的偏見和文化影響，因而其個人化的負面影響是不可避免的。因此在使用機器學習分析外貌吸引力時，必須非常小心地運用和整合機器學習的結果。
結論
總體而言，研究顯示出機器學習可以高度準確地預測人們對不同人臉的吸引力評價。儘管有其局限性，但這一研究成果在心理學、神經科學和電腦科學等領域都具有重要的意義。在未來，預測外貌吸引力的技術可能應用於各種不同的社決情境中，包括社交媒體、線上交友和電子商務，都有更重要的應用層面。
