麻省理工学院媒体实验室的研究人员开发了一种机器学习系统，可以“读取”面部表情来确定人类的情绪。
急于开发能够解释人类交流和表达错综复杂的机器的时候，有些人认为情感计算可以提供传统机器人，软件和对某些人真正有益的解决方案之间缺失的联系。
情绪阅读系统的潜在应用范围从不引人注意地追踪心理健康到衡量学生对课堂的兴趣或顾客对商店的兴趣。
解释情感的挑战
能够“阅读”人是许多人认为理所当然的技能。对于机器而言，它并不像直觉或情感智能人士那么容易。特别是当有很多变量发挥作用且背景如此重要时 - 更不用说文化差异了。
例如，一个人可能以不同的方式表达情绪。而且在此之前，诸如年龄，文化和性别等因素被添加到组合中。深入研究，一天中的时间，互动中其他人的存在，以及当下一个人的情绪都会使阅读情绪成为一个复杂的过程。
这就是机器学习的用武之地。凭借足够的培训数据，麻省理工学院媒体实验室的研究人员开发出一种系统，在识别小型面部表情及其相应情绪方面优于现有模型。
该团队声称，通过“一些额外的训练数据”，该模型可以适应于分析新的情境，例如新的一群人，而不会牺牲功效。
“这是监控我们心情的一种不引人注目的方式，”媒体实验室研究员Oggi Rudovic说道，他是一篇描述该模型的论文的合着者，该论文于上周在机器学习和数据挖掘会议上发表。“如果你想要具有社交智能的机器人，你必须聪明地做出这些机器人并自然地回应我们的情绪和情绪，更像人类。”
麻省理工学院团队的机器学习模型与传统情感计算的不同之处在于使用了一种称为“专家混合”的技术。该方法不是在一组图像上训练系统并将各种面部表情及其相应的情绪映射到新的，而是与个体神经网络模型 - “专家”相结合。
这些“专家”每人都经过专业培训，专门从事单独的处理任务，并从中生成单一输出。新系统还依赖于“门控网络”，该网络计算哪位专家最能检测到情绪的概率。
“基本上，网络可以辨别个体，并说'这是给定图像的合适专家'，”该研究的主要作者Michael Feffer说。