N 元高斯模型：使用自动化多高斯建模管道模拟跨任务场景的点指不确定性

文献标题

N-ary Gaussian Model Modeling Pointing Uncertainty Across Task Scenarios Using an Automated Multi-Gaussian Modeling Pipeline

出版信息

• 主题领域: 人机交互（HCI）任务中指向不确定性的建模。
• 关键词: N元高斯模型、指向不确定性、终点分布、贝叶斯信息准则、Shapley值、多高斯框架、时空建模、输入方式、显示设备、自动化建模。

背景与问题

• 问题/挑战: 当前用于指向任务中终点分布的模型要么是缺乏可解释性的黑箱模型，要么是需要大量手动工作和领域知识构建的白箱模型。这些模型通常难以在不同任务场景中泛化，或无法结合多种影响因素，例如输入方式、显示设备和时间约束。
• 重要性: 理解和预测指向任务中的终点分布对于优化用户界面、降低错误率以及提升交互性能至关重要，这在多种HCI应用中具有广泛意义。
• 动机与相关工作: 先前的模型，如Fitts定律和多高斯框架（如双高斯和三元高斯模型），已用于预测运动时间和错误率，但在复杂场景中的泛化能力有限。自动化建模尝试（如使用贝叶斯信息准则或黑箱方法）虽有一定潜力，但通常缺乏可解释性或扩展性。

解决方案

• 提出的方法: N元高斯模型是一种用于指向任务中终点分布建模的自动化管道，基于多高斯框架构建。该方法系统性地将任务属性整合到高斯组件中，并利用贝叶斯信息准则（BIC）和Shapley值优化模型选择。
• 创新点:
  1. 无需预定义方程式即可自动生成和优化高斯组件。
  2. 将跨设备、输入方式和时间约束整合到空间指向不确定性建模中。
  3. 使用BIC进行模型选择，利用Shapley值过滤低贡献项，平衡模型简洁性与准确性。
  4. 在7个数据集上验证了模型的泛化能力，涵盖多种任务场景（1D、2D、3D、静态、动态和时间约束）。
• 流程与关键技术:
  1. 将任务属性映射到高斯组件，并使用预定义的函数形式实例化。
  2. 利用BIC在拟合度与复杂性之间选择最佳模型。
  3. 应用Shapley值量化项贡献并过滤低影响项。
  4. 在多样化数据集上验证模型，并与白箱和黑箱基线进行性能比较。

结果

• 具体发现:
  • 在7个数据集上，与白箱基线相比，平均减少了28.759%的平均Wasserstein距离（MWD）。
  • 在错误率预测中，平均减少了19.07%的平均绝对误差（MAE）。
  • 在使用显著更少参数的情况下（平均参数数量：12.429 vs. 2467.429，Feedforward Neural Networks），保持了与黑箱模型的竞争性准确性。
• 相较基线的优势:
  • 在所有数据集中均优于白箱模型，平均MWD减少6.074。
  • 尽管使用的参数显著减少，仍实现了与黑箱模型相当的性能，展现了更好的可解释性和效率。
• 实验/评估:
  • 在涵盖1D、2D和3D任务的7个数据集上进行了评估，任务属性包括输入方式、显示设备和时间约束。
  • 与白箱模型（如三元高斯）和黑箱模型（SVM、FNN）进行了基准测试。
  • 通过交叉验证评估模型的鲁棒性和泛化能力。
• 局限性与未来工作:
  • 假设终点分布符合正态分布，并聚焦于规则几何目标形状。
  • 依赖数据质量，可能包含解释性有限的项。
  • 限于显式记录的属性；未来工作可探索更丰富的记录方案以及并行化计算以提升扩展性。

总结

N元高斯模型为指向任务中的终点分布建模提供了一种自动化且可扩展的解决方案，解决了先前白箱和黑箱模型的局限性。通过利用BIC进行模型选择和Shapley值过滤项，该模型在简洁性、可解释性和预测准确性之间达到了平衡。在多样化数据集上表现出强大的性能，降低了错误率并在MWD上优于基线。其整合新任务属性（如输入方式和时间约束）的能力，使其成为HCI研究和用户界面优化的宝贵工具。未来工作将重点扩展模型以处理更复杂的场景，并提升计算效率。