Detail publikace

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

BOBÁK, P.; ČMOLÍK, L.; ČADÍK, M. Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement. IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS, 2024, vol. 30, no. 9, p. 5908-5922. ISSN: 1077-2626.
Název česky
Reinforced Labels: Multiagentní hluboké posilované učení pro umísťování popisu bodových dat
Typ
článek v časopise
Jazyk
anglicky
Autoři
Bobák Petr, Ing., Ph.D. (UPGM)
ČMOLÍK, L.
Čadík Martin, doc. Ing., Ph.D. (UPGM)
URL
Klíčová slova

Point-Feature Label Placement, Machine Learning, Multi-Agent Reinforcement
Learning

Abstrakt

V posledních letech se posilované učení (Reinforcement Learning) v kombinaci
s technikami hlubokého učení (Deep Learning) úspěšně uplatňuje při řešení
náročných problémů v různých oblastech, včetně robotiky, samořídicích automobilů
a financí. V tomto článku představujeme přístup založený na posilovaném učení 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 umísťování popisků bodových prvků využívá
multiagentní hluboké posilované učení a jde tak o první metodu umisťování anotací
řízenou strojovým učením, na rozdíl od stávajících, odborníky ručně vytvářených
algoritmů. Jako podklad pro učení strategie jsme vyvinuli 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 delší
výpočetní doba oproti srovnávaným metodám. Naše metoda je proto ideální zejména
v situacích, kdy je současně kladen důraz na úplnost a je možné umístění anotací
spočítat předem, jako je tomu u kartografických map, technických výkresů či
lékařských atlasů. Pro hlubší pochopení jsme provedli uživatelskou studii, která
hodnotila vnímání výkonnosti metody. Výsledky ukázaly, že účastníci považovali
námi navrhovanou metodu za výrazně lepší než ostatní zkoumané metody, což
naznačuje, že vyšší úplnost se neprojevuje jen v kvantitativních ukazatelích, ale
odráží se také v subjektivním hodnocení účastníků.

Rok
2024
Strany
5908–5922
Časopis
IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS, roč. 30, č. 9, ISSN 1077-2626
Vydavatel
IEEE Computer Society
DOI
10.1109/TVCG.2023.3313729
UT WoS
001283711000014
EID Scopus
2-s2.0-85171750761
BibTeX 
@article{BUT185209,
  author="BOBÁK, P. and ČMOLÍK, L. and ČADÍK, M.",
  title="Reinforced Labels: Multi-Agent Deep Reinforcement Learning for Point-Feature Label Placement",
  journal="IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS",
  year="2024",
  volume="30",
  number="9",
  pages="5908--5922",
  doi="10.1109/TVCG.2023.3313729",
  issn="1077-2626",
  url="http://cphoto.fit.vutbr.cz/reinforced-labels/"
}
Nahoru