我们提出了一种量化评估所有感知对颜色的反应的方法：不同颜色偏好、颜色和谐以及颜色组合偏好。我们的模型通过模糊相似性和分组的比较算法提取出了和谐的调色板，可用于对多彩图像的和谐和偏好进行有用的预测。在服装协调背景下，我们的方法可以根据服装颜色预测个人的喜好。

Aug, 2023

从人类反馈中学习偏好模型一直是人工智能领域最近进展的核心。本研究通过推广最优设计的概念，研究了用于学习偏好模型的数据收集问题，并提出了面向排名列表的有效算法，证明了模型估计器随更多数据而改善，估计器下的排名误差也随之减少，并在多个合成和真实数据集上进行实验以展示算法的统计效率。

Apr, 2024

通过在线学习算法，我们提出了一种自动优化的方法来解决基于偏好的主观评估在众包环境中大规模测试时的配对组合选择和评估数量的分配问题。实验结果表明，我们的方法成功地通过减少配对组合数量并为每个配对分配最佳的评估数量来优化测试，同时不损害评估准确性和预算分配的浪费。

Mar, 2024

通过人们的偏好来优化算法参数配置，而无需直接模拟奖励，SortCMA 可以有效地利用用户输入得到参数集合，将其应用于没有确切评分标准的商用深度传感器和机器人社交导航中，成功实现了用户目标的优化，并进行了用户研究来评估社交导航结果。

Aug, 2023

通过高通量（批处理）贝叶斯优化和人类决策理论，本文提出一种方法，使领域专家能够影响最优实验的选择。该方法旨在解决人类在离散选择上比连续选择更擅长的假设，并在每次迭代中通过求解增广多目标优化问题返回备选解集合，从中专家选择一个进行评估。研究表明，即使在无经验的情况下，该算法仍能恢复标准贝叶斯优化的遗憾。

Dec, 2023

本文研究贝叶斯优化作为设计优化过程的算法方法，通过与 40 名新手设计师的比较研究，发现优化器可以帮助设计师探索更广泛的设计空间并达到更好的解决方案，但会降低设计师的代理权和表现力。

Apr, 2022

提出了一种贝叶斯优化方法，用于在具有昂贵目标函数的多目标优化问题中确定最优解，通过交互方式自适应地估计 DM 的贝叶斯偏好模型，并利用获得的偏好信息进行主动学习，从而有效地在基准函数优化和机器学习模型的超参数优化问题中找到最优解。

Nov, 2023

本研究基于贝叶斯优化框架，建立高斯过程模型，通过前期实验获得的信息来优化机器学习算法的超参数调整，作者提出可以超过经验人类调参表现的自动算法，并介绍收集实验信息、利用多核心并行实验等新算法。

Jun, 2012

本文讨论如何自动化地生成美观的照片拼贴画，利用主观实验来学习和建模用户偏好，设计了一个实验框架来识别生成美观照片拼贴画需要考虑的标准，使用五个不同的主题照片数据集创建拼贴画，并通过考虑到用户对它们的偏好来学习新的全局和局部标准。经过多次心理视觉实验的验证，发现使用该框架创建的拼贴画与现有的两种方法相比，被多数用户更喜欢。

Jun, 2015

通过应用模糊逻辑和图像处理技术，本研究介绍了一种新的方法来量化和预测室内设计的审美偏好，以综合考虑用户的色彩选择和整体审美吸引力。通过收集社交媒体平台上的室内设计图像，结合颜色和视觉属性，计算整体偏好分数，从而帮助设计师和专业人士更好地了解和满足人们在数字媒体时代对室内设计的偏好。

Jan, 2024