基于人类数据的多模态主动学习：一种深度强化学习方法
机器学习
2019-06-10 v1 人工智能
人机交互
机器人学
机器学习
摘要
人类行为表达与体验本质上是多模态的，并以显著的个体与情境异质性为特征。为了实现有意义的人机与人人交互，因此需要用户状态（例如参与度）的多模态模型。大多数试图构建用户状态分类器的现有工作都假设用于训练模型的数据已完全标注。然而，数据标注成本高且繁琐，并且容易受到人类编码者主观解释的影响。当数据为多模态时（例如，有些用户更善于用面部表情表达，有些则用声音），这一问题更为突出。因此，构建能在交互过程中准确估计用户状态的模型具有挑战性。为此，我们提出了一种新颖的多模态主动学习（AL）方法，利用深度强化学习（RL）的思想来寻找用于主动选择训练目标（模态特定）模型所需用户数据的最优策略。我们研究了多种多模态数据融合策略，并表明所提出的模型级融合结合 RL 优于特征级与模态特定模型，以及随机采样等朴素 AL 策略和标准启发式方法（如不确定性采样）。我们在自闭症治疗期间真实世界的儿童-机器人交互的参与度估计任务上展示了该方法的优势。重要的是，我们表明所提出的多模态 AL 方法可用于通过少量主动选择的用户数据高效地使参与度分类器个性化到目标用户。
引用
@article{arxiv.1906.03098,
title = {Multi-modal Active Learning From Human Data: A Deep Reinforcement Learning Approach},
author = {Ognjen Rudovic and Meiru Zhang and Bjorn Schuller and Rosalind W. Picard},
journal= {arXiv preprint arXiv:1906.03098},
year = {2019}
}