VR-LENS：基于超级学习的晕屏检测与可解释 AI 引导的虚拟现实部署
机器学习
2023-02-07 v1 人工智能
人机交互
摘要
近期大量研究提出了多种基于机器学习（ML）和深度学习（DL）的自动化方法来检测虚拟现实（VR）中的晕屏症。然而，这些检测方法被认为计算密集且属于黑箱方法。因此，这些技术既不可信，也不适合部署在独立 VR 头戴式显示器（HMD）上。本工作提出了一个基于可解释人工智能（XAI）的框架 VR-LENS，用于开发晕屏检测 ML 模型、解释模型、缩减模型规模，并将其部署在基于高通骁龙 750G 处理器的三星 A52 设备上。具体而言，我们首先开发了一种新颖的基于超级学习的集成 ML 模型用于晕屏检测。接着，我们采用事后解释方法，如 SHapley Additive exPlanations（SHAP）、Morris 敏感性分析（MSA）、Local Interpretable Model-Agnostic Explanations（LIME）和 Partial Dependence Plot（PDP），来解释预期结果并识别最具主导性的特征。然后使用识别出的主导特征重新训练超级学习晕屏模型。我们提出的方法识别出眼动追踪、玩家位置和皮肤电/心率反应是集成传感器、游戏玩法和生物生理数据集的最主导特征。我们还表明，所提出的 XAI 引导的特征缩减显著减少了模型训练和推理时间，分别达到 1.91 倍和 2.15 倍，同时保持了基线准确率。例如，使用集成传感器数据集，我们缩减后的超级学习模型在将晕屏症分类为 4 个等级（无、低、中、高）时准确率达到 96%，在回归（FMS 1-10）时均方根误差（RMSE）为 0.03，优于现有最优工作。
引用
@article{arxiv.2302.01985,
title = {VR-LENS: Super Learning-based Cybersickness Detection and Explainable AI-Guided Deployment in Virtual Reality},
author = {Ripan Kumar Kundu and Osama Yahia Elsaid and Prasad Calyam and Khaza Anuarul Hoque},
journal= {arXiv preprint arXiv:2302.01985},
year = {2023}
}
备注
Accepted for publication in IUI 2023