采样、引导与排序：利用可解释GAN控制进行探索性搜索

探索性搜索的特征是开放性搜索任务和用户信息需求的不确定性。在图像检索背景下，与图像集合相比，生成对抗网络（GAN）为满足用户探索性搜索的信息需求提供了众多机会。本文提出了一种在GAN图像空间上进行探索性搜索的新方法，使用可解释GAN控制，可概括为采样、引导和排序。在每次搜索迭代中，我们从GAN潜在空间采样图像。通过将采样图像引导至与所选方面相关属性的潜在空间区域来实现分面搜索。最后，使用带相关性反馈的强化学习对引导后的图像进行排序。我们对所提出的方法进行了全面评估，包括模拟结果和用户研究。在模拟中，我们展示了方法能够有效适应用户偏好，同时保持较高的图像多样性。在用户研究（N=30）中，多数参与者（23/30）更偏好我们的系统。与模拟结果一致，用户报告了更高的感知搜索效率和图像多样性。实际上，由于基准系统依赖于温启动程序，我们的系统用户检查的图像明显更少，同时获得了相似主观质量的任务结果。