Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-feature Label Placement

要約

ここ数年、強化学習と深層学習技術を組み合わせることで、ロボット工学、自動運転車、金融、ゲームなど、さまざまな分野で複雑な問題を解決できることが証明されてきました。
この論文では、強化学習 (RL) を別のドメインである視覚化に導入しています。
私たちの新しい点特徴ラベル配置方法は、マルチエージェント深層強化学習 (MADRL) を利用してラベル配置戦略を学習します。これは、人間の専門家によって設計された既存の手作りのアルゴリズムとは対照的に、最初の機械学習主導のラベル付け方法です。
RL 学習パラダイムを促進するために、エージェントがラベルのプロキシとして機能する環境を開発しました。これは、地理的地図、イラスト、技術図面などの視覚化を強化する短いテキスト注釈です。
私たちの結果は、私たちの方法でトレーニングされた戦略が、トレーニングされていないエージェントのランダム戦略よりも大幅に優れており、完全性 (つまり、配置されたラベルの数) の点で人間の専門家によって設計された比較方法よりも優れていることを示しています。
トレードオフは、計算時間が増加することであり、提案された方法は比較された方法よりも遅くなります。
それにもかかわらず、私たちの方法は、ラベリングを事前に計算でき、地図、技術図面、医療アトラスなどの完全性が不可欠な状況に最適です。
さらに、知覚されたパフォーマンスを評価するためにユーザー調査を実施しました。
結果は、参加者が提案された方法が他の検討された方法よりも有意に優れていると考えていることを明らかにしました。
これは、完成度の向上が定量的な指標だけでなく、参加者の主観的評価にも反映されていることを示しています。

要約(オリジナル)

Over the past few years, Reinforcement Learning combined with Deep Learning techniques has successfully proven to solve complex problems in various domains including robotics, self-driving cars, finance, and gaming. In this paper, we are introducing Reinforcement Learning (RL) to another domain – visualization. Our novel point-feature label placement method utilizes Multi-Agent Deep Reinforcement Learning (MADRL) to learn label placement strategy, which is the first machine-learning-driven labeling method in contrast to existing hand-crafted algorithms designed by human experts. To facilitate the RL learning paradigm, we developed an environment where an agent acts as a proxy for a label, a short textual annotation that augments visualizations like geographical maps, illustrations, and technical drawings. Our results demonstrate that the strategy trained by our method significantly outperforms the random strategy of an untrained agent and also performs superior to the compared methods designed by human experts in terms of completeness (i.e., the number of placed labels). The trade-off is increased computation time, making the proposed method slower than compared methods. Nevertheless, our method is ideal for situations where the labeling can be computed in advance, and completeness is essential, such as cartographic maps, technical drawings, and medical atlases. Additionally, we conducted a user study to assess the perceived performance. The outcomes revealed that the participants considered the proposed method to be significantly better than the other examined methods. This indicates that the improved completeness is not just reflected in the quantitative metrics but also in the subjective evaluation of the participants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google