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

要約

近年、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、金融など、さまざまな分野の複雑な問題を解決できることが証明されてきました。
このペーパーでは、ラベルの配置に強化学習 (RL) を導入します。ラベルの配置は、重複を避けて読みやすさを確保するためにラベルの最適な配置を求めるデータ視覚化の複雑なタスクです。
当社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アルゴリズムとは対照的に、初の機械学習主導のラベリング方法です。
RL 学習を促進するために、エージェントがラベル (視覚化を強化する短いテキストの注釈) のプロキシとして機能する環境を開発しました。
私たちの結果は、私たちの方法によって訓練された戦略が、完全性（つまり、配置されたラベルの数）の点で、訓練されていないエージェントのランダムな戦略よりも大幅に優れていることを示し、人間の専門家によって設計された方法と比較しました。
トレードオフとして計算時間が増加するため、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、地図、技術図面、医療アトラスなど、ラベル付けを事前に計算でき、完全性が不可欠なシナリオに最適です。
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。
その結果、参加者は提案された方法が他の検討された方法よりも大幅に優れていると考えていることが明らかになりました。
これは、完全性の向上が定量的な指標だけでなく、参加者の主観的な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 recent years, Reinforcement Learning combined with Deep Learning techniques has successfully proven to solve complex problems in various domains, including robotics, self-driving cars, and finance. In this paper, we are introducing Reinforcement Learning (RL) to label placement, a complex task in data visualization that seeks optimal positioning for labels to avoid overlap and ensure legibility. Our novel point-feature label placement method utilizes Multi-Agent Deep Reinforcement Learning (MADRL) to learn the 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 RL learning, we developed an environment where an agent acts as a proxy for a label, a short textual annotation that augments visualization. Our results show that the strategy trained by our method significantly outperforms the random strategy of an untrained agent and 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 scenarios 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