：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。

　　【新智元导读】上海交通大学的两位研究者武筱林与张熙的一项题为“利用脸部照片自动推断犯罪性”的研究，利用基于有监督的机器学习的方法，用 1856 张真实的人的脸部照片建立四个分类器（逻辑回归，KNN，SVM，CNN），根据人的脸部特征预测一个人是否有犯罪倾向，并评估这些分类器的表现。Google 博客文章《用更智能的机器学习打击歧视》提出改进机器学习系统来避免歧视，认为优化“机会均等”只是可用于改进机器学习系统的许多工具中的一个，而数学本身不可能得到最好的解决方案。对抗机器学习中的歧视问题需要仔细、多学科结合的方法。

　　最近，上海交通大学的两位研究者武筱林与张熙的一项题为“利用脸部照片自动推断犯罪性”（Automated Inference on Criminality using Face Images）的研究，试图利用基于机器学习的分类器模型充当 dominator，根据人的脸部特征预测一个人是否有犯罪倾向。研究者称“四个分类器（逻辑回归，KNN，SVM，CNN）都表现良好，为根据脸部特征自动预测犯罪性（criminality）提供了有效性证据”，并且“发现了一些可以预测犯罪性的结构上的区别特征，例如嘴角的弧度、眼内角间宽、以及所谓的鼻唇角角度”。研究者认为“不同于人类法官，计算机视觉算法/分类器不会有歧视，不会受到情绪、宗教、性别等因素的影响，因此具有客观性上的优势”。这项研究引起了相当多的讨论。

　　论文摘要

　　我们首次进行基于静止的人脸图像自动推测犯罪性的研究。通过有监督机器学习，我们使用 1856 张真实的人的面部照片建四个分类器（逻辑回归，KNN，SVM，CNN），这些人中有近一半是已被定罪的犯罪者，其余是非犯罪者，我们以民族、性别、年龄和面部表情作为控制要素，让计算机区分犯罪者和非犯罪者。四个分类器都表现良好，为根据脸部特征自动预测犯罪性提供了有效性证据，尽管围绕该主题存在历史性争议。此外，我们发现一些可以预测犯罪性的结构上的区别特征，例如嘴角的弧度、眼内角间宽、以及所谓的鼻唇角角度。这项研究最重要的发现是，犯罪者和非犯罪者的面部照片在表情的多样性方面非常不同。犯罪者的面部表情变化明显大于非犯罪者。由两组照片组成的两个流形看起来是同心的，非犯罪者的流形的跨度较小，表现出正常的规律。换句话说，一般守法公民的面貌与犯罪者的面貌相比具有更大程度上的相似性，也就是说，犯罪分子在面部表情上的差异比普通人更大。

　　数据准备

　　研究者收集了 1856 个人的证件照，他们都满足以下条件：中国人，男性，年龄在 18 至 55 周岁，没有胡子，脸上没有伤疤或其他标记。研究者把这个数据集标记为 S，再把它分为两个子数据集 Sc 和 Sn，Sc 代表犯罪者，Sn 代表非犯罪者。其中 Sn 包含 1126 张普通人的证件照，Sc 包含 730 张犯罪者（包括 330 张被通缉逃犯）的证件照。

数据集中的样本证件照

　　研究方法：四种分类器模型

　　为了使研究尽可能考虑周到，研究者对前述证件照数据集使用了四种分类器方法，分别是 K-最近邻法（K-Nearest Neighbor，KNN）、逻辑回归（Logistic Regression）、支持向量机（Support Vector Machine，SVM）以及卷积神经网络（Convolutional Neural Network，CNN）。

　　对前三种分类器，研究者比较了它们在较广泛的特征上的表现，包括：1. 面部标志点，例如眼角、嘴角、鼻尖等；2. 由 PCA 模块生成的面部特征向量；3. 基于局部二值模式（LBP）的面部特征向量；4. 上述三者的结合。CNN 是没有明显特征向量的数据驱动的分类方法。对上述所有分类器，采用了一共十三个交叉验证（3 种分类器 × 4 种向量特征，再加上 CNN），每个 10 次运行一共 130 次实验（13 cases × 10 runs），验证的结果采用平均值。

　　结果

四个分类器在 13 次交叉验证中的正确率

误判率

四个分类器的总体正确率

　　上图分别显示了四个分类器的总体正确率和误判率，可以看到，CNN 在交叉验证中的分类正确率最高，达到 89.51%。

　　验证