Workload Estimation for Unknown Tasks: A Survey of Machine Learning Under Distribution Shift

要約

ヒューマン ロボット チームでは、人間とロボットが協力して、さまざまな環境条件下でタスクを達成します。
チーミングを成功させるには、ロボットが人間のチームメイトの内部状態に自律的に適応する必要があります。
このような適応の重要な要素は、未知の状況における人間のチームメイトの作業負荷を推定する能力です。
既存のワークロード モデルは、機械学習を使用して生理学的指標とワークロードの関係をモデル化します。
ただし、これらの方法は個人差の影響を受けやすく、他の要因に大きく影響されます。
これらの方法は、データが独立した同一分散 (IID) サンプルで構成されていると仮定する標準的な機械学習アプローチに依存しているため、未知のタスクに一般化することはできません。
この仮定は、新しいタスクの作業負荷の見積もりには必ずしも当てはまりません。
非 IID 機械学習手法の調査が提示され、一般的に使用される手法が移植性、モデルの複雑さ、適応性の 3 つの基準を使用して評価されます。
これらの基準は、動的なリアルタイム環境における未知のタスクのワークロードを見積もるのにどの手法が最も適用できるかを議論するために使用されます。

要約(オリジナル)

Human-robot teams involve humans and robots collaborating to achieve tasks under various environmental conditions. Successful teaming will require robots to adapt autonomously to a human teammate’s internal state. An important element of such adaptation is the ability to estimate the human teammates’ workload in unknown situations. Existing workload models use machine learning to model the relationships between physiological metrics and workload; however, these methods are susceptible to individual differences and are heavily influenced by other factors. These methods cannot generalize to unknown tasks, as they rely on standard machine learning approaches that assume data consists of independent and identically distributed (IID) samples. This assumption does not necessarily hold for estimating workload for new tasks. A survey of non-IID machine learning techniques is presented, where commonly used techniques are evaluated using three criteria: portability, model complexity, and adaptability. These criteria are used to argue which techniques are most applicable for estimating workload for unknown tasks in dynamic, real-time environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google