面向交互设备的成本感知贝叶斯优化

文献标题

Cost-Aware Bayesian Optimization for Interactive Devices

出版信息

• 主题领域: 交互设备设计中迭代原型开发的优化技术。
• 关键词: 贝叶斯优化, 成本感知优化, 原型开发, 交互设备, 迭代设计, 人机交互, 资源分配, 设计空间探索, 成本建模, 仿真研究。

背景与问题

• 问题/挑战: 现有HCI中的贝叶斯优化方法对成本缺乏敏感性，将所有原型开发操作视为成本相同。这种过于简化的假设在硬件和软件更改成本差异巨大的现实场景中表现不佳，导致资源分配效率低下。
• 重要性: 原型开发成本显著影响了开发内容、团队迭代频率以及设计方向的可行性。解决成本差异问题可以提高设计工作流的效率和可持续性。
• 动机与相关工作: 之前的HCI研究主要通过工具包、制造技术和计算可行性评估来降低原型开发成本。然而，这些方法并未解决成本如何影响下一步原型开发决策的问题。贝叶斯优化已被应用于HCI中的设计迭代，但缺乏成本意识，而成本意识对于具有异构成本的现实原型开发至关重要。

解决方案

• 提出的方法: 本文提出了一种成本感知的贝叶斯优化扩展方法，称为CABOP，将原型开发成本纳入采集函数中，以最大化单位成本的期望改进。
• 创新点:
  1. 将成本感知的贝叶斯优化方法适配于交互设备原型开发，通过引入结构化成本模型。
  2. 定义成本分类（调整、替换、创建），并利用原型记录跟踪可重复使用的组件。
  3. 通过仿真和用户研究证明该方法的有效性，在显著降低成本的同时实现了可比的成果。
• 方法与关键技术:
  1. 将成本模型嵌入采集函数中，以优先选择成本效益高的采样。
  2. 将原型开发操作分类为三种成本类别（调整、替换、创建），并分配数值成本。
  3. 使用原型记录跟踪先前构建的组件，通过重复利用实现成本降低。
  4. 使用RBF核对成本模型进行平滑松弛，以支持基于梯度的优化。
  5. 通过仿真和用户研究评估该方法，与标准贝叶斯优化进行比较。

结果

• 具体发现:
  • 仿真结果显示，CABOP在实现与标准贝叶斯优化相当的效用的同时，成本约为其70%。
  • 在严格预算限制下，CABOP在遗憾值减少方面的表现是基线方法的三倍。
  • 在12名参与者的用户研究中，CABOP在实现等效操纵杆设计的同时，成本约为其67%。
• 相较基线的优势: CABOP在降低累计成本的同时保持或提高了设计质量。与基线方法不同，它能够动态适应成本不对称性、模块化和变化的成本条件。
• 实验/评估:
  • 仿真: 在多个基准函数（如Rosenbrock、Ackley、Goldstein-Price、Levy）上测试，涵盖不同的成本结构、预算和复杂性。
  • 用户研究: 参与者使用CABOP和基线方法优化操纵杆配置（硬件和软件）。通过任务效用和主观评分衡量性能。
• 局限性与未来工作:
  • 当前模型假设组件成本独立，未考虑相互依赖性。
  • 未涵盖原型开发中的不同保真度水平。
  • 未来方向包括扩展成本模型以处理多预算场景、集成多保真优化以及动态调整采集策略。

总结

本文提出了CABOP，一种针对交互设备原型开发的成本感知贝叶斯优化扩展方法。通过引入结构化成本模型并利用原型记录，CABOP优先选择成本效益高的设计迭代。仿真和用户研究表明，CABOP在显著降低成本的同时实现了与标准方法相当的成果，适用于现实设计工作流。未来工作将致力于解决组件间依赖性、保真度变化以及多预算场景，以进一步提高其适用性。