预算约束下面向多目标的交互式搜索
数据库
2020-12-18 v3
摘要
交互式图搜索利用人类智能在层级中对目标标签进行分类，这对于图像分类、产品分类与数据库搜索十分有用。然而，许多现有的交互式图搜索研究旨在最优地识别单一目标，并受限于提问过多以及无法处理多个目标。为应对这两类局限，在本文中我们研究了一个称为 kBM-IGS-problem 的预算约束下多目标交互式图搜索新问题。具体而言，给定层级中的多目标集合 T，以及两个参数 k 与 b，目标是通过提出至多预算为 b 个问题，识别一个大小为 k 的选择集合 S，使得选择 S 与目标 T 之间的贴近度尽可能小。我们从理论上分析了更新规则并设计了一个惩罚函数以捕获选择与目标间的贴近度。为求解 kBM-IGS-problem，我们开发了一个新颖框架，利用具有最大期望增益的最佳顶点来提问，从而在目标概率与收益增益间做出平衡权衡。基于 kBM-IGS 框架，我们首先提出一种高效算法 STBIS 处理 SingleTarget 问题（其为 kBM-IGS 的特例）。随后，我们提出一种基于动态规划的方法 kBM-DP 来解决 MultipleTargets 问题。为进一步提升效率，我们提出两种启发式但高效的算法 kBM-Topk 与 kBM-DP+。kBM-Topk 开发了变体增益函数并独立地选择 top-k 个顶点。kBM-DP+ 使用增益上界并剪枝不合格顶点以节省计算。在带有 ground-truth 目标的大规模真实数据集上的实验验证了我们所提算法的有效性与高效性。
引用
@article{arxiv.2012.01945,
title = {Budget Constrained Interactive Search for Multiple Targets},
author = {Xuliang Zhu and Xin Huang and Byron Choi and Jiaxin Jiang and Zhaonian Zou and Jianliang Xu},
journal= {arXiv preprint arXiv:2012.01945},
year = {2020}
}