論文の概要: OptWedge: Cognitive Optimized Guidance toward Off-screen POIs
- arxiv url: http://arxiv.org/abs/2206.04293v1
- Date: Thu, 9 Jun 2022 05:56:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 16:25:49.204056
- Title: OptWedge: Cognitive Optimized Guidance toward Off-screen POIs
- Title(参考訳): OptWedge: オフスクリーンPOIに対する認知的最適化ガイダンス
- Authors: Shoki Miyagawa
- Abstract要約: 本稿では,画面外関心点(POI)を小型デバイスに導く新しい方法を提案する。
精度を向上させるために,その影響を考慮した認知的コストを用いて図形を最適化することを提案する。
また、異なるパラメータを持つ2つのタイプの最適化を設計する: Unbiased OptWedge (UOW) と biased OptWedge (BOW) である。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Guiding off-screen points of interest (POIs) is a practical way of providing
additional information to users of small-screen devices, such as smart devices
and head-mounted displays. Popular previous methods involve displaying a
primitive figure referred to as Wedge on the screen for users to estimate
off-screen POI on the invisible vertex. Because they utilize a cognitive
process referred to as amodal completion, where users can imagine the entire
figure even when a part of it is occluded, localization accuracy is influenced
by bias and individual differences. To improve the accuracy, we propose to
optimize the figure using a cognitive cost that considers the influence. We
also design two types of optimizations with different parameters: unbiased
OptWedge (UOW) and biased OptWedge (BOW). Experimental results indicate that
OptWedge achieves more accurate guidance for a close distance compared to
heuristics approach.
- Abstract(参考訳): pois(guiding off-screen points of interest)は、スマートデバイスやヘッドマウントディスプレイなど、小型スクリーンデバイスのユーザに付加情報を提供する実用的な方法である。
一般的な従来の手法では、画面上にWedgeと呼ばれるプリミティブなフィギュアを表示し、ユーザーが見えない頂点上でオフスクリーンのPOIを推定する。
アモーダル・コンプリート(amodal completion)と呼ばれる認知プロセスを利用することで、ある部分を取り囲む場合でも全体の像を想像できるので、局所化精度はバイアスと個人差に影響される。
精度を向上させるために,その影響を考慮した認知的コストを用いて図形を最適化することを提案する。
また、異なるパラメータを持つ2種類の最適化を設計する: バイアスなしのOptWedge (UOW) とバイアス付きのOptWedge (BOW)。
実験結果から,OptWedgeはヒューリスティックスアプローチよりも近い距離での高精度なガイダンスが得られた。
関連論文リスト
- Interactive Hyperparameter Optimization in Multi-Objective Problems via
Preference Learning [65.51668094117802]
我々は多目的機械学習(ML)に適した人間中心型対話型HPO手法を提案する。
ユーザが自分のニーズに最も適した指標を推測する代わりに、私たちのアプローチは自動的に適切な指標を学習します。
論文 参考訳(メタデータ) (2023-09-07T09:22:05Z) - Towards User Guided Actionable Recourse [5.669106489320257]
Actionable Recourse (AR)は、ユーザの行動可能な機能に対するコスト効率の高い変更を推奨し、望ましい結果を得るのに役立つ。
ユーザ優先行動規範(UP-AR)を特定するための勾配に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2023-09-05T18:06:09Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - A Scalable Probabilistic Model for Reward Optimizing Slate
Recommendation [9.104884285248115]
本稿では,パーソナライズされたスレートレコメンデーションのためのスケーラブルな確率モデルであるPRR(Probabilistic Rank and Reward model)を紹介する。
本手法は,報酬のみを使用するバンディット法や,ランクのみを使用するユーザの選好法よりも効率よく学習する。
提案手法は,最大100万項目の大規模データセット上での速度と精度の両面での最先端技術である。
論文 参考訳(メタデータ) (2022-08-10T13:18:00Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2022-06-28T03:28:15Z) - Predicting and Explaining Mobile UI Tappability with Vision Modeling and
Saliency Analysis [15.509241935245585]
モバイルUIのスクリーンショットに選択された要素が、ユーザがタップ可能なものとして認識するかどうかを予測するために、ディープラーニングベースのアプローチを使用します。
また、モデルの出力を説明するのにMLの解釈可能性技術を使用します。
論文 参考訳(メタデータ) (2022-04-05T18:51:32Z) - PR-Net: Preference Reasoning for Personalized Video Highlight Detection [34.71807317380797]
本稿では,フレームレベルのハイライト予測を考慮し,多種多様な関心事を考慮した簡易かつ効率的な選好推論フレームワーク(PR-Net)を提案する。
提案手法は, 平均精度が12%向上し, 最先端手法を著しく上回っている。
論文 参考訳(メタデータ) (2021-09-04T06:12:13Z) - Probabilistic and Variational Recommendation Denoising [56.879165033014026]
暗黙のフィードバックから学ぶことは、推奨システムの適用において最も一般的なケースの1つである。
本稿では,暗黙のフィードバックに対する確率的・変動的推薦を提案する。
提案したDPIとDVAEを4つの最先端レコメンデーションモデルに適用し、3つのデータセットで実験を行う。
論文 参考訳(メタデータ) (2021-05-20T08:59:44Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳(メタデータ) (2020-11-05T18:43:59Z) - Assisted Perception: Optimizing Observations to Communicate State [112.40598205054994]
我々は、ロボット遠隔操作や視覚障害のあるナビゲーションといったタスクにおいて、ユーザが世界の状態を見積もるのを支援することを目的としている。
ユーザによって処理された場合、より正確な内部状態推定につながる新しい観測結果を合成する。
論文 参考訳(メタデータ) (2020-08-06T19:08:05Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。