Yapay Zeka
Yalnızca Görsellere Dayalı Yapay Zeka Ruh Eşi Tavsiye Sistemi

Birleşik Krallık'tan araştırmacılar, yalnızca iki kullanıcının birbirinin fotoğraflarından (meslek, yaş vb. profil bilgileri yerine) etkilenip etkilenmediğini dikkate alan çevrimiçi flört maçları için tamamen görüntüye dayalı bir tavsiye sistemi geliştirmek için sinir ağlarını kullandılar. ) ve doğru bir eşleşme elde etme açısından daha az 'sığ' sistemlerden daha iyi performans gösterdiğini bulmuşlardır.
Ortaya çıkan sistem, Geçici Görüntü Tabanlı Karşılıklı Önerici (TIRR) olarak adlandırılıyor ve kullanıcının potansiyel eşleşmelere göz atarken karşılaştığı yüzlere yönelik tarihsel tercihini yorumlamak için Tekrarlayan Sinir Ağlarını (RNN'ler) kullanıyor.
The kâğıt hakkı - belki de cesaret kırıcı bir şekilde - Çevrimiçi Buluşmada Karşılıklı Tavsiye İçin Tek İhtiyacınız Olan Fotoğraflar, ve Bristol Üniversitesi'ndeki iki araştırmacıdan geliyor ve benzer bir sistem üzerinde önemli ölçüde gelişiyor ( ImRec) 2020 yılında aynı ekip tarafından piyasaya sürüldü.
Testlerde, sistem tahmin etme yeteneğinde son teknoloji doğruluk elde etti. karşılıklı Kullanıcılar arasındaki eşleşmeler, yalnızca araştırmacıların 2020 çalışmasında değil, aynı zamanda flört profillerinde daha ayrıntılı, metin tabanlı bilgileri dikkate alan diğer içerik tabanlı flört karşılıklı öneri sistemlerinde de iyileşiyor.
Gerçek Dünya Arkadaş Veri Kümesi
TIRR, "birkaç milyon kayıtlı kullanıcısı" olan, yalnızca her biri diğerinin profilini "beğendiğinde" kullanıcıların birbirleriyle iletişim kurmasına izin veren, adsız bir "popüler" çevrimiçi flört servisi tarafından sağlanan kullanıcı bilgileri konusunda eğitildi. Kullanılan veri alt kümesi, erkekler ve kadınlar arasında eşit olarak bölünmüş 200,000 konuyu ve tüm flört profillerinde kullanıcı tarafından ifade edilen yaklaşık 800,000 tercihi içeriyordu.
Verileri sağlayan anonim flört servisi sadece heteroseksüel eşleşmeleri desteklediği için araştırmada sadece erkek/kadın eşleşmeleri ele alınmıştır.
TIRR, yalnızca profil görüntülerine dayalı olarak iki profil arasındaki eşleşme olasılığını doğrudan hesaplayarak bu alandaki önceki karşılıklı öneri sistemleri (RRS) tasarımlarını geliştirir. Bunun yerine önceki sistemler, iki tek yönlü tercihi tahmin etmiş ve ardından bir tahmin elde etmek için bunları bir araya getirmişti.
Araştırmacılar, flört hizmetinden çıkarılan kullanıcıları (kendi isteğiyle ayrılmak da dahil olmak üzere herhangi bir nedenle) ve yüz tabanlı fotoğraflar içermeyen profilleri hariç tuttu.
Arkadaşlık sitesi algoritmalarını zaman içinde değiştirirken meydana gelebilecek potansiyel anormallikleri önlemek için kullanıcı geçmişleri bir yıl önceyle sınırlıydı. Ayrıca, maksimum 15 kullanıcı tercihiyle sınırlandırıldılar, çünkü bunların model tasarımını kanıtlamak için yeterli olduğu gösterildi, tercihlerin daha kapsamlı kullanımı performansı düşürdü ve eğitim sürelerini artırdı.
Ek olarak, daha hevesli veya uzun süreli kullanıcıların bazılarının geçmişleri vardı. Binlerce Bu, elde edilen özelliklerin ağırlığını çarpıtma ve eğitim sürelerini daha da uzatma riski taşıyabilecek tercihlerin.
Siyam Ağı
TIRR kullanılarak formüle edilmiştir Siyam ağı, genellikle için kullanılır 'tek seferde' öğrenme.

Paralel Konvolüsyonel Sinir Ağlarının (CNN'ler) ağırlıkları paylaştığı ancak verileri paylaşmadığı bir şablon Siyam ağı. Ayrıca, her bir CNN'nin çıktılarından türetilen bir kayıp fonksiyonunu ve bir temel doğruluk etiketini paylaşırlar. Kaynak: https://arxiv.org/pdf/2108.11714.pdf
Ağ, sinir ağlarında yaygın bir kayıp fonksiyonu olan ve araştırmacıların, diğerlerine kıyasla daha üstün sonuçlar verdiğini tespit ettiği ikili çapraz entropi kullanılarak eğitildi. karşılaştırmalı kayıp. İkincisi, iki yüz arasındaki eşitliği değerlendiren sistemlerde en etkilidir, ancak TIRR'nin amacı bu olmadığından, bu bağlamda düşük performans gösteren bir yaklaşımdır.
Eğitim aynı veriler üzerinde birçok kez yinelendiğinden ve TIRR'deki Siyam ağı bir LSTM (Uzun Süreli Kısa Süreli Bellek) ağı, bu kararları vermek ve çerçeve içgörülerini oluştururken ilgili görülen özelliklerin geçici olarak atılmamasını sağlamak için.
Araştırmacılar, tüm veriler girildiğinde ağın çok yavaş eğitildiğini ve ardından verilerin üç farklı alt kümesini kullanarak eğitimi üç aşamaya böldüğünü buldular. Araştırmacıların 2020 deneyleri, erkek ve dişi veri kümelerini ayrı ayrı eğitmenin karşılıklı tavsiye sisteminin performansını iyileştirdiğini zaten gösterdiğinden, bunun bazı ek avantajları var.

TIRR'nin Siyam ağı için ayrı eğitim oturumlarının dökümü.
Test yapmak
Araştırmacılar, TIRR'nin performansını değerlendirmek için elde edilen verilerin bir kısmını bir kenarda tuttu ve tam birleşik sistemden geçirdi. Bununla birlikte, sistem oldukça yeni olduğu için, karşılaştırılabileceği doğrudan benzer önceki sistemler yoktur.
Bu nedenle araştırmacılar önce bir Alıcı Çalışma Karakteristik Eğrisi oluşturdular (ROC) Siyam ağı için taban çizgisi, Boyut Azaltma için Tekdüze Manifold Yaklaşımı ve Projeksiyon kullanılmadan önce (UMAP) tutarlı bir beğeni ve beğenmeme akışı oluşturmak için kolay görselleştirme için 128 boyutlu vektörleri inceltmek.

Solda, performansın temel göstergesi olarak Siyam ağının ROC'si; sağda, UMAP görselleştirmesi "beğenilenleri" kırmızıyla, "beğenmeyenleri" siyahla gösterir.
TIRR, araştırmacıların önceki çalışması ImRec (yukarıya bakın) dahil olmak üzere benzer bir ortama sahip işbirlikçi filtreleme ve içerik tabanlı sistemlere karşı test edildi ve RECON, 2010'dan bir RRS ve işbirlikçi filtreleme algoritmaları RCF (flört profillerinin metin içeriğine dayalı 2015 tarihli bir RRS) ve LFRR (2019'dan benzer bir proje).
Her durumda TIRR, LFRR'ye kıyasla yalnızca marjinal olarak da olsa üstün doğruluk sunabildi; bu, muhtemelen profil metni içeriği ile öznelerin profil fotoğraflarının algılanan çekicilik düzeyi arasındaki ilişkili faktörleri gösteriyor.
Görüntü tabanlı TIRR ile daha metin tabanlı LFRR arasındaki yakın eşitlik, en az iki olasılığa izin verir: kullanıcıların görsel çekicilik algısının, profillerin metin içeriğinden etkilenmesi; veya bu metin içeriği, ilişkili resim çekici olarak algılanmadığında meydana gelebilecek olandan daha fazla ilgi ve onay alır.
Açık nedenlerden dolayı, araştırma ekibi TIRR için veri kümesini veya kaynak kodunu yayınlayamıyor, ancak diğer ekipleri yaklaşımlarını kopyalamaya ve onaylamaya teşvik ediyor.
nb Ana resimde kullanılan resimler thispersondoesnotexist.com'dan alınmıştır.