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

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.