Mar, 2021

基于模型的强化学习调整用户界面

PDF
TL;DR通过采用基于模型的强化学习方法，进行保守化自适应策略的制定，避免用户面临更高的成本，并通过预测人机交互模型来评估其效果，比非自适应和基于频率的策略表现更好，这一方法在自适应菜单的案例中得到了实证和模拟结果的支持。
adaptive user interfaceconservative adaptation policymodel-based reinforcement learningpredictive hci modelsadaptive menus
发现论文，激发创造
  • 使用离线强化学习进行自适应人机界面引导

    通过离线预训练和在线微调的组合，利用强化学习算法解决噪声命令信号和稀疏奖励的挑战，并通过学习去噪用户命令信号和提供共享自主辅助的方式，使得自适应界面能够成功辅助用户完成任务。

    Sep, 2023

  • 通过交互模拟进行 XR 界面的计算自适应

    本文提出了一种计算方法以改进用户体验和性能。研究者设计了一种模型用于模拟用户交互，该模型考虑了认知和运动成本，以全面地评估用户界面的调整以及向用户提供最佳建议。

    Apr, 2022

  • 基于对抗生成网络的强化学习推荐系统用户模型

    该论文提出了一种新颖的基于生成对抗网络的强化学习框架，以解决在推荐系统中无法明确定义环境奖励函数和动态环境的应用挑战，使用该框架开发了一个用户模型作为仿真环境，开发了一种新颖的 Cascading DQN 算法来获得一个组合推荐策略，实验证明这个生成对抗用户模型可以更好地解释用户行为，并且基于该模型的 RL 策略能够为用户带来更好的长期回报和系统的点击率。

    Dec, 2018

  • 推荐系统与人的交互

    该研究旨在了解推荐算法对未来用户数据的影响，通过提出一个简单模型，表明忽略这个反馈循环将导致非一致性评估器，因此验证了我们的结论。

    Mar, 2017

  • 代理程序设计的可扩展交互界面

    本研究提出了一种用演示交互地规定任务的方式，以解决人工智能领域中任务规定的挑战。该方法基于已有的演示生成新的、更复杂的任务，通过训练新的策略实现更高效的学习，并在月球着陆场景中验证了其效果。

    Jun, 2019

  • 带有对抗训练的模型强化学习在在线推荐中的应用

    本篇论文提出了一种基于模型的强化学习解决方案，使用生成对抗网络对用户代理交互进行建模，实现了离线策略学习。理论分析和实证评估证明了该解决方案在从离线和生成数据学习策略方面的有效性。

    Nov, 2019

  • DEAR: 推荐系统中用于在线广告展示的深度强化学习

    本文提出了一种基于强化学习的广告策略，通过设计一个新型的深度 Q 网络结构，可以连续更新其广告策略，在推荐列表中插入广告或不插入广告，并选择最优广告和最佳插入位置，使得推荐广告效果显著提升。

    Sep, 2019

  • 基于协同马尔可夫决策过程系统的人机共适应界面

    本文提出了一种基于模型的强化学习的方法，即协同适应 MDPs 模型，可用于人机界面和康复系统中，可以提高用户（患者）和机器（机器人助手）的表现效果，并强调了用户与机器之间的协同适应过程。

    May, 2023

  • 一项关于自适应系统可解释的在线强化学习的用户研究

    在线强化学习和深度强化学习在自适应系统和可解释性 RL 技术方面的实际应用以及用户研究。

    Jul, 2023

  • 基于深度强化学习的列表推荐

    本文提出一种通过模型驱动的增强学习方法来不断优化推荐策略的推荐系统，将用户与推荐系统之间的交互建模为马尔可夫决策过程，并通过在线用户 - 代理交互环境模拟器来预训练和评估模型参数，进一步提出了一种将列表式推荐纳入推荐系统的实验方法，并在真实世界的电子商务数据集上验证了该方法的有效性。

    Dec, 2017