Amortised Experimental Design and Parameter Estimation for User Models of Pointing

要約

ユーザー モデルはインタラクション デザインにおいて重要な役割を果たし、インタラクション デザインの選択の自動化をサポートします。
そのためには、ユーザー データからモデル パラメーターを推定する必要があります。
非常に大量のユーザー データが必要になる場合がありますが、最近の研究では、可能な限り効率的にデータを収集してパラメータを推測し、それによってデータ要件を最小限に抑えることができる実験を設計する方法が示されています。
今回の記事では、シミュレートされた参加者を使って実験計画を選択するためのポリシーをトレーニングすることによって実験計画の計算コストを償却する、これらの方法の変形を調査します。
私たちのソリューションは、モデル空間からサンプリングされたインシリコエージェントと対話することで、どの実験がパラメータ推定に最も有用なデータを提供するかを学習し、それにより膨大な量の人的データではなく合成データを使用します。
このアプローチは、段階的に複雑になる 3 つのポインティング モデルに対して実証されています。

要約(オリジナル)

User models play an important role in interaction design, supporting automation of interaction design choices. In order to do so, model parameters must be estimated from user data. While very large amounts of user data are sometimes required, recent research has shown how experiments can be designed so as to gather data and infer parameters as efficiently as possible, thereby minimising the data requirement. In the current article, we investigate a variant of these methods that amortises the computational cost of designing experiments by training a policy for choosing experimental designs with simulated participants. Our solution learns which experiments provide the most useful data for parameter estimation by interacting with in-silico agents sampled from the model space thereby using synthetic data rather than vast amounts of human data. The approach is demonstrated for three progressively complex models of pointing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google