面向人机协作机制的三支决策模型及其应用研究

发布时间：2020-08-31 13:18

　　机器智能和人类智能在执行同一类任务时,关注点不同,工作原理也不尽相同。因此,合理的协作机制,能发挥人机两个主体的优势。三支决策模型考虑了决策过程中的不确定性和风险,将相对确定的区域和不确定区域分开,并给出不同类型的决策。这样的策略符合人类的行为习惯,也为人参与协作和任务分工提供了依据。人件通过相应的机制和接口将人以服务的方式加入系统。因此,本文从决策风险最小化的角度出发,基于三支决策模型,探索面向人机协作的分工机制。在人脸图像的身份认证过程中,人件服务和软件服务各有所长。通过人机协作共同完成身份核验任务,两者能优势互补,高效地完成任务。因此,本文将基于三支决策的人机协作机制应用到身份认证任务中。为了在直觉模糊信息系统中评估和选取合适的人参与协作,本文提出了基于直觉模糊TOPSIS方法的能力评估方法。投票是综合评审专家意见的常见方式,而投票结果是一个直觉模糊数,存储在直觉模糊信息表中。提出的方法基于直觉模糊数的运算法则,通过TOPSIS对候选人的特定角色扮演能力进行综合评估,优选出候选人参与协作。如何充分发挥人机两个主体的优势,使风险代价最小是协作中的关键问题。因此,本文利用三支决策,将概率空间或者代价空间中算法相对确定的区域作为机器智能的工作域,不确定的区域(边界域)作为人的工作域。通过调节三支决策中的边界域使总决策代价最小。在任务执行阶段,建立适当的合作机制实现人类智慧和机器智能间的交互和信息传递。基于人的偏好和兴趣点等信息,利用软件对人作用域的样本初步处理后再交给人去决策,以提高整个决策流程的效率。准确区分不同的人脸图像样本,需要的信息量是不同的。而现实中信息的获取往往需要时间,决策是随着信息的补充逐步给出的。人的人脸识别过程是一个基于多粒度人脸图像的序贯决策过程,而现有的序贯三支决策不适用于人脸图像。为了模拟这个过程,本文基于全序关系提出了多粒度图像特征的定义和面向人脸图像的序贯三支决策模型。通过子空间方法提取人脸的多粒度特征,并在多粒度特征上构建序贯决策过程。随着粒度越来越细,特征中包含的信息增多,决策代价会下降。与此同时,时间代价会提高。序贯三支决策会综合考量这两种代价,在合适的信息粒度下停止决策过程,使得总代价最小。序贯决策过程中,人机如何合理分工合作是需要探索的问题。决策过程中,随着边界域的变小,人必要的工作量会减少,人的决策代价也会下降。为了更好地完成身份认证任务,本文提出了基于序贯三支决策的人机协作机制。在每一个信息粒度下,模型通过调整分工使得总的决策代价最小。之后,序贯决策综合衡量人机决策代价和时间代价,在合适的粒度下停止,使得总代价最小。序贯决策过程中,之前步骤中的风险代价和决策信息,也为当前信息粒度下人的决策提供了参考。多类别是现实中常见的场景,而现有的三支决策模型不能直接应用于多类场景中。因此,本文提出了一种多类别三支决策模型,并构建了相应的协作机制。在比较决策风险代价的基础上,直接在多类场景中构建了决策域和决策规则。为了追求最小的总代价,算法通过信任阈值调整任务分工,进而影响决策代价。边界域中区分了算法认为不可能的选择项和难以抉择的选项。这为人的决策提供了很好的参考,减少了执行人在单个样本上的工作量。基于三支决策模型,本文主要对面向人机协作的分工机制进行探究,从静态的二分类场景逐步拓展到多粒度和多分类的场景,并将其应用到基于人脸识别的身份认证任务中。本文提出的模型能有效降低整体决策风险,提高决策效率,既扩充和发展了三支决策模型,也为人机协作提供了新思路。在基于人脸识别的身份认证任务中,提出的模型能充分发挥机器智能的优势,节省人力资源,改善客户体验,提升客户的满意度,有一定的实践意义。
【学位单位】：南京大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP11;TP391.41
【部分图文】：

多粒度,人脸图像,区分度

粗粒度逦＾细粒度逡逑图１．２具有不同清晰度的多粒度人脸图像逡逑＾逡逑图１．３具有不同区分度的多粒度人脸图像逡逑准确区分不同的人脸图像样本，需要的信息量是不同的，而现实中信息的获取往往逡逑需要时间，决策是随着信息的补充逐步给出的。大多数现有的序贯三支决策是基于信息逡逑表类型的数据，不适用于非结构化数据，例如人脸图像。但是，图像是有粒度结构的。逡逑如果我们考虑刑事调查的场景，监控摄像机捕获的人脸图像可能太模糊，无法用于识别。逡逑因此，有必要使用高清监视相机来收集更好质量的人脸图像。基于一系列高质量人脸图逡逑像的刑事调查结果肯定会产生令人满意的低代价的决策。然而，高清监视摄像机可能很逡逑昂贵，这增加了测试成本。图１．２模拟了现实中不同清晰度的人脸图像，图１．３模拟了逡逑不同区分度的人脸图像［１９］。逡逑在图像识别中的人们的决策过程是一个典型的多粒度决策过程：随着图像粒度越来逡逑越细

效果图,差别,效果图,图片

教授等根据生成对抗网络（Ｇｅｎｅｒａｔｉｖｅ邋Ａｄｖｅｒｓａｒｉａｌ邋Ｎｅｔｗｏｒｋｓ，邋ＧＡＮ）研宄出一种可以动态逡逑扰乱人脸识别系统的算法［１５］。该算法最后生成了一个隐私过滤器，会对图像中特定区域逡逑的像素做出一些微小的变化，如图１．４所示。逡逑？邋ｗｒ＂邋ｍｕ逡逑ｍｍ逡逑原图逦修改后的图逦修改的像素点逡逑图１．４反人脸识别算法效果图逡逑干扰之后的图片，人眼几乎察觉不到差别，也就是说人的识别效果差别不大。但是，逡逑对人脸识别算法产生了巨大的影响。有的场景下欺骗成功率高达９９．邋５％，即让一个识别逡逑率接近１００％的算法，精度直接下降到０．５％。在很多管理系统中，身份认证是一个十分逡逑重要的环节。因此，采用人机协作的方式能有效的降低风险，提高系统的安全性。例如，逡逑在采用“刷脸进站”的高铁站入口处，会设置一定数量的人工检票窗口，人机协作共同逡逑完成检票进站的任务。逡逑１．４研究内容及方案逡逑１２逡逑

思路,人机协作,能力评估

支决模型或者改进现有的三支决模型，建立面向人机协作的分工机制。最后，将己有三逡逑支决模型拓展应用到图像中，利用基于三支决策的人机协作机制，完成基于图像的身份逡逑认证任务。整体思路如图１．５所示。逡逑能力评估与优选逡逑Ｙ逦逦逡逑三支决策模型库逡逑人机邋丨邋逦＿＿＿逡逑＾逦基于风险代价的逡逑机制逦Ｉ人机工，域划分逦ｉ逦Ｊ基于人脸识别逡逑Ｉ￣１的身份认证逡逑￣逡逑［ｍｄｊ４逦１邋口心、—［ｍｄｊ逡逑合作逡逑Ｉ逦ｊ逡逑图１．５本文研宄思路逡逑１．４．２研宄内容逡逑根据上述研究思路，本文主要的研究内容安排如下：逡逑在直觉模糊信息系统中，研究如何综合评估和优选候选人，以更好地参与某个任务逡逑的协作。个人能力评估和优选是高效人机协作的前提，而投票是综合专家组意见的常见逡逑方式。运用隶属度、非隶属度和犹豫度，直觉模糊数可以很好地描述投票结果中的赞成，逡逑反对和弃权的比例［２１］。而且，扮演特定角色需要多方面的能力。候选人的特定角色扮演逡逑能力评估是一个多属性决策问题。因此，需要探索基于直觉模糊信息的多属性能力评估逡逑１３逡逑

【相似文献】