面向手势识别个性化的情境多臂老虎机方法
人机交互
2025-09-12 v1
摘要
在手势识别等人机交互应用中，监督学习模型通常在大量用户上训练以实现高任务准确率。然而，由于传感器信号和用户行为之间的个体差异，静态模型可能无法为所有用户提供最佳性能。通过校准——收集来自每个用户的标记数据——来个性化预训练模型可提高性能，但会引入用户摩擦且难以处理有限数据。为克服这些问题，我们提出一种无校准的纵向个性化方法：结合预训练神经网络进行手势识别的情境多臂老虎机 (MAB) 算法。这种基于强化学习的方法可使用二元奖励信号进行个性化化，奖励信号可以是用户提供的或由系统推断的。我们在用户研究中验证了该方法。参与者佩戴表面电肌电 (sEMG) 设备，并玩了六种手势的 2-D 导航游戏的多个回合。在该 session 中，他们完成了基准回合，然后进行我们算法的回合；在第二个 session 中，他们玩了另一个使用我们算法的回合。我们的方法使用户平均假阴率从初始回合到最终回合降低了 0.113，在回合之间进一步下降。平均精确度也随着从开始到结束的回合提升（提升 0.139），并在下一个 session 中继续提升。值得注意的是，有些用户在基线模型下无法完成游戏，但在我们的情境 MAB 模型下得以成功。在总结方面，我们的...
引用
@article{arxiv.2509.08915,
title = {A Contextual Bandits Approach for Personalization of Hand Gesture Recognition},
author = {Duke Lin and Michael Paskett and Ying Yang},
journal= {arXiv preprint arXiv:2509.08915},
year = {2025}
}