混合似然变分高斯过程

高斯过程（GP）因其灵活性和良好的不确定性校准能力，是人机交互实验中的强大模型。然而，对人类响应进行建模的GP通常忽略辅助信息，包括先验领域专业知识和非任务性能信息（如用户置信度评分）。我们提出混合似然变分GP以利用辅助信息，通过在单个证据下界中组合多个似然函数来建模多种类型的数据。我们在三个涉及人类参与者的真实世界实验中展示了混合似然的好处。首先，我们使用混合似然训练在GP分类器中施加先验知识约束，加速了视觉感知任务中的主动学习，其中用户被要求识别由虚拟现实中的相机位置误差引起的几何错误。其次，我们表明利用Likert量表置信度评分通过混合似然训练可以改善表面粗糙度触觉感知的模型拟合。最后，我们展示了Likert量表置信度评分在机器人步态优化中改善了人类偏好学习。我们的框架在多样化应用中发现的建模性能提升说明了通过使用混合似然联合建模多种输入，将辅助信息融入主动学习和偏好学习中的益处。