RLTIR:基于强化学习树的活动式交互人员身份识别
人机交互
2021-03-23 v1
摘要
身份识别在保障日常生活安全中起着重要作用。基于生物特征(尤其是基于活动)的方法因其保真度、通用性和鲁棒性而受到青睐。然而,现有多数基于机器学习的方法依赖传统工作流,模型通常一次性训练完毕,终端用户参与度有限且忽视学习过程的动态性。这使得模型静态且无法及时更新,常导致高误报或漏报。因此实践中需要专家协助提供高质量观测与模型输出解读。结合人类专家优势与计算机计算能力以创建紧耦合增量学习过程以提升性能是适宜的。本研究开发RLTIR,一种基于强化学习的交互式身份识别方法,通过人工引导调整识别模型。我们首先构建基于树的基准身份识别模型,并引入专家对模型输出给予反馈,随后依据在指定强化学习框架下自动习得的策略更新模型。据我们所知,这是身份识别领域将人类专家知识与模型学习相结合的首次尝试。实验结果表明,该强化交互身份识别框架在识别准确率与鲁棒性上均优于基线方法。
引用
@article{arxiv.2103.11104,
title = {RLTIR: Activity-based Interactive Person Identification based on Reinforcement Learning Tree},
author = {Qingyang Li and Zhiwen Yu and Lina Yao and Bin Guo},
journal= {arXiv preprint arXiv:2103.11104},
year = {2021}
}