Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement

V posledních letech se Reinforcement Learning v kombinaci s technikami Deep Learning úspěšně osvědčil při řešení náročných problémů v různých oblastech, včetně robotiky, samořídících automobilů a financí. V tomto článku představujeme Reinforcement Learning (RL) pro komplexní úlohu umísťování anotací ve vizualizaci dat, jejímž cílem je nalezení optimálního umístění anotací tak, aby se nepřekrývaly a byla zajištěna jejich čitelnost. Naše nová metoda pro bodové prvky využívá k učení strategie umisťování multiagentní Deep Reinforcement Learning přístup, a jde tak o první metodu umisťování anotací řízenou strojovým učením, na rozdíl od stávajících experty ručně vytvářených algoritmů. Jako podklad pro učení strategie, jsme vyvinuli jsme prostředí, kde agent funguje jako zástupce krátké textové anotace, která rozšiřuje vizualizaci. Naše výsledky ukazují, že strategie naučená naší metodou výrazně překonává náhodnou strategii netrénovaného agenta a srovnávané metody navržené lidskými experty z hlediska úplnosti (tj. počtu umístěných anotací). Nevýhodou je však prodloužená výpočetní doba oproti srovnávaným metodám. Naše metoda je tak díky tomu ideální zejména v situacích, kdy je současně kladen důraz na úplnost a zároveň je možné umístění anotací vypočítat předem, jako je tomu u kartografických map, technických výkresů a lékařských atlasů. Pro hlubší pochopení jsme provedli uživatelskou studii, která hodnotila jejich vnímání výkonnosti metody. Výsledky ukázaly, že účastníci považovali navrhovanou metodu za výrazně lepší než ostatní zkoumané metody. To naznačuje, že vyšší úplnost se neodráží pouze v kvantitativních ukazatelích, ale také v subjektivním hodnocení účastníků.