Learning Centre

Machine Learning Methods for Interactive Search Interfaces and Cognitive Models

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.author Kangasrääsiö, Antti
dc.date.accessioned 2018-10-25T09:03:16Z
dc.date.available 2018-10-25T09:03:16Z
dc.date.issued 2018
dc.identifier.isbn 978-952-60-8251-6 (electronic)
dc.identifier.isbn 978-952-60-8250-9 (printed)
dc.identifier.issn 1799-4942 (electronic)
dc.identifier.issn 1799-4934 (printed)
dc.identifier.issn 1799-4934 (ISSN-L)
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/34495
dc.description.abstract Computer systems that users interact with are becoming more and more driven by artificial intelligence and machine learning components. This means that the ability of the users to efficiently interact with these intelligent systems on one hand, and the ability of these intelligent systems to understand the users on the other hand, are becoming more and more important for productive human-computer interaction. This thesis proposes new methods to improve both of these aspects. The first contribution of this thesis is to improve the ability of the users to predict the consequences of their actions, and to observe possible inconsistencies in the feedback they give, when interacting with an information retrieval system that performs interactive user modelling. The proposed solutions for improving predictability are interactive visualization of the consequences of user actions and changing the behavior of the user model to better match user expectations. The proposed solutions for detecting inconsistencies in user feedback are visualization of past user feedback and interactive modelling of the accuracy of the feedback. Experiments demonstrate that the proposed methods improve user satisfaction and the usability of the search system. The second contribution is to develop generally applicable methods for inferring the parameter values for various types of models of the user's cognition. The inherent difficulty in estimating these parameter values is caused by the complicated relation between the parameters of these cognitive models and the observation data: the likelihood function. The proposed solution is to use likelihood-free Bayesian inference, which is applicable for various different cognitive models and also able to quantify the uncertainty of the parameter estimates. Experiments demonstrate that the proposed solution enables efficient inference of cognitive model parameter values in multiple settings, and also allows informative quantification of parameter uncertainty across the parameter space. en
dc.description.abstract Interaktiiviset tietokonejärjestelmät sisältävät enenevissä määrin tekoäly- ja koneoppimis-komponentteja. Näiden järjestelmien hyödyllisyyden kannalta on tärkeä kiinnittää huomiota toisaalta niiden käytettävyyteen, ja toisaalta siihen, että ne kykenevät mallintamaan käyttäjiensä tarpeita riittävällä tarkkuudella. Tämä väitöstutkimus esittää keinoja kummankin päämäärän edistämiseksi. Tutkimuksen ensimmäisessä osiossa esitetään menetelmiä, joilla parannetaan interaktiivisen hakukoneen käytettävyyttä lisäämällä interaktion ennustettavuutta sekä käyttäjän epäjohdon-mukaisen palautteen tunnistamista. Ennustettavuutta parannettiin sekä interaktiivisesti visualisoimalla käyttäjän toimintojen mahdollisia vaikutuksia että muuttamalla käyttäjämallin dynamiikkaa vastaamaan paremmin käyttäjän odotuksia. Epäjohdonmukaisen palautteen määrää vähennettiin sekä visualisoimalla käyttäjän antamaa palautetta kokonaisuutena että mallintamalla interaktiivisesti käyttäjän antaman palautteen tarkkuutta. Kokeellisesti näytettiin, että esitetyt menetelmät parantavat käyttäjätyytyväisyyttä sekä hakujärjestelmän käytettävyyttä.   Tutkimuksen toisessa osiossa kehitettiin yleisesti sovellettavia menetelmiä kognitiivisten mallien parametriarvojen päättelemiseksi. Näiden mallien parametriarvojen päättely havaintoaineiston perusteella on yleisesti ottaen hankalaa johtuen monimutkaisesta uskottavuusfunktiosta, joka sitoo yhteen havaintoaineiston sekä mallin parametriarvot. Ratkaisuksi esitettiin uskottavuusfunktioton Bayesiläinen päättely, jonka avulla kognitiivisten mallien parametriarvot, sekä niiden epävarmuus, on mahdollista päätellä. Kokeellisesti näytettiin, että menetelmä soveltuu useille erilaisille kognitiivisille malleille, ja että se mahdollistaa parametrien epävarmuuden määrittämisen koko parametriavaruudessa. fi
dc.format.extent 73 + app. 135
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.publisher Aalto University en
dc.publisher Aalto-yliopisto fi
dc.relation.ispartofseries Aalto University publication series DOCTORAL DISSERTATIONS en
dc.relation.ispartofseries 206/2018
dc.relation.haspart [Publication 1]: Antti Kangasrääsiö, Dorota Głowacka, Samuel Kaski. Improving Controllability and Predictability of Interactive Recommendation Interfaces for Exploratory Search. In Proceedings of the 20th International Conference on Intelligent User Interfaces, pp. 247–251, 2015. DOI: 10.1145/2678025.2701371
dc.relation.haspart [Publication 2]: Antti Kangasrääsiö, Yi Chen, Dorota Głowacka, Samuel Kaski. Interactive Modeling of Concept Drift and Errors in Relevance Feedback. In Proceedings of the 24th Conference on User Modeling, Adaptation and Personalization, pp. 185–193, 2016. DOI: 10.1145/2930238.2930243
dc.relation.haspart [Publication 3]: Antti Kangasrääsiö, Kumaripaba Athukorala, Andrew Howes, Jukka Corander, Samuel Kaski, Antti Oulasvirta. Inferring Cognitive Models from Data using Approximate Bayesian Computation. In Proceedings of the 2017 CHI Conference on Human Factors in Computing Systems, pp. 1295–1306, 2017. Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-201705315138. DOI: 10.1145/3025453.3025576
dc.relation.haspart [Publication 4]: Antti Kangasrääsiö, Samuel Kaski. Inverse Reinforcement Learning from Summary Data. Machine Learning, volume 107, pages 1517–1535, 2018. DOI: 10.1007/s10994-018-5730-4
dc.relation.haspart [Publication 5]: Antti Kangasrääsiö, Jussi Jokinen, Antti Oulasvirta, Andrew Howes, Samuel Kaski. Posterior Estimation for Cognitive Models using Approximate Bayesian Computation. Submitted to a journal, 2018.
dc.relation.haspart [Publication 6]: Jarno Lintusaari, Henri Vuollekoski, Antti Kangasrääsiö, Kusti Skytén, Marko Järvenpää, Michael Gutmann, Aki Vehtari, Jukka Corander, Samuel Kaski. ELFI: Engine for Likelihood Free Inference. Journal of Machine Learning Research, volume 19, paper 16, pp. 1–7, 2018. Full text in Acris/Aaltodoc: http://urn.fi/URN:NBN:fi:aalto-201810025208. en
dc.subject.other Computer science en
dc.title Machine Learning Methods for Interactive Search Interfaces and Cognitive Models en
dc.title Koneoppimismenetelmiä interaktiivisia hakukäyttöliittymiä ja kognitiivisia malleja varten fi
dc.type G5 Artikkeliväitöskirja fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.contributor.school School of Science en
dc.contributor.department Tietotekniikan laitos fi
dc.contributor.department Department of Computer Science en
dc.subject.keyword bayesian inference en
dc.subject.keyword cognitive modelling en
dc.subject.keyword human-computer interaction en
dc.subject.keyword interactive machine learning en
dc.subject.keyword likelihood-free inference en
dc.subject.keyword probabilistic modelling en
dc.subject.keyword user modelling en
dc.subject.keyword bayesiläinen tilastotiede fi
dc.subject.keyword ihmisen ja tietokoneen vuorovaikutus fi
dc.subject.keyword interaktiivinen koneoppiminen fi
dc.subject.keyword kognitiivinen mallinnus fi
dc.subject.keyword käyttäjämallinnus fi
dc.subject.keyword todennäköisyysmallinnus fi
dc.subject.keyword uskottavuusfunktioton päättely fi
dc.identifier.urn URN:ISBN:978-952-60-8251-6
dc.type.dcmitype text en
dc.type.ontasot Doctoral dissertation (article-based) en
dc.type.ontasot Väitöskirja (artikkeli) fi
dc.contributor.supervisor Kaski, Samuel, Prof., Aalto University, Department of Computer Science, Finland
dc.opn Kersting, Kristian, Prof., TU Darmstadt, Germany
dc.contributor.lab Probabilistic Machine Learning en
dc.rev Deisenroth, Marc, Dr., Imperial College London, UK
dc.rev Lappi, Otto, Dr., University of Helsinki, Finland
dc.date.defence 2018-11-16
local.aalto.acrisexportstatus checked
local.aalto.formfolder 2018_10_25_klo_10_15
local.aalto.archive yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse