气味的感知指标:使用机器学习从非专家的相似性反中学习

科学领域:

• 化学感知科学是一种化学感知科学.
• 计算化学是一种计算化学.
• 心理物理学的精神物理.

背景情况:

• 目前的气味相似度指标依赖于物理化学性质或离散的语言标签,这些标签不足以捕捉嗅觉感知的细微差别.
• 无论是分子结构还是简单的描述符都无法代表嗅觉的连续性质.
• 需要更多的细粒度和数据驱动的方法来量化嗅觉的感知相似性.

研究的目的:

• 引入一种新的数据驱动方法来学习气味剂的感知相似度指标.
• 为了利用用户的感知反以及物理化学特征来改进气味不相似性建模.
• 使用相对比较,开发一个更有效的连续气味感知空间的表现.

主要方法:

• 通过将气味的物理化学特征与用户的感知反相结合,实现感知指标学习 (PMeL).
• 使用三重比较 (例如",A的气味更像B还是C?") 从用户那里收集相对相似性的判断.
• 在非专家反上训练模型,以评估气味剂之间的感知差异.

主要成果:

• 证明了PMeL方法在评估各种任务的感知差异方面的有效性.
• 展示了用户相对相似性比较提供了连续感知空间的更细粒度的表示.
• 验证了模型与专家相似性判断的结合,减少了对专家注释的依赖.

结论:

• 拟议的数据驱动的PMeL方法有效量化了气味感知差异.
• 基于用户的相对比较提供了一种可扩展和有效的方法来模拟连续的气味感知.
• 这种方法提高了我们对嗅觉机制的理解,并减少了对广泛的专家注释的需求.