Systems for Personalization of Hearing Instruments A Machine Learning Approach
论文翻译：
总结：
第一章主要关注概率建模框架，其中使用高斯过程对用户未观察到的内部响应函数建模。在这种情况下，解决的第一个主要挑战是考虑受到嘈杂噪声不一致的用户反馈。
解决的第二个主要挑战是支持反馈，它能紧密地反映用户的感知，同时在不增加认知负荷的情况下提供有关它的最大信息。
在第二章中，主动学习和顺序设计讨论了如何在尽可能少的迭代中获得最大用户未观察到的内部响应函数的设置。对于高斯过程框架，提出了一种特别适用于这类优化的主动学习准则。
最后一章包含了对目前工作和研究的整体讨论和结论，部分基于附录中所载的八篇科学论文贡献的结果。
第一章：
现有的个性化程序至少存在两个问题。首先，现代消费设备和数字HAs中嵌入的大量可调参数使得手动试错方法在实践中很难跟踪。其次，对于HA个性化和其他相关领域的情况，从用户通过HCP到HA中所做调整的整个反馈链接可能是非常不完善的。虽然确切的比例未知，但相当多的用户佩戴的是没有仔细个性化的HAs(或将其放在抽屉里)，因此不能充分受益于过去几十年的技术飞跃。为了缩小技术和效益之间的差距，必须在未来实现设备个性化的方式上实现飞跃，以跟上现代数字设备的先进技术。
1.2动机
我们的假设是，通过使用基于概率机器学习的交互式优化技术，设备(特别是has)的个性化可以得到显著改善。必须为用户提供一个简单的用户界面，在该界面中，单个设备的设置被评估为与用户的感知非常相似，并且必须仔细建模可能不一致的、因此，嘈杂的用户反馈必须仔细建模。
此外，如果使用用户未观察到的内部响应函数(IRF)对可能的设备设置的模型主动为用户评估提出设置，则可以减少获得最佳设置所需的评估次数。
因此，一个健壮、快速的个性化系统应该基于当前的评估集，在设备设置上顺序地更新用户IRF模型，然后根据更新的模型主动查询要评估的新设置。最后，建议的最优设置是最大化用户预测IRF的设置。所考虑的系统的概念示意图见图1.1。
图1.1:考虑的个性化框架的概念示意图。该框架松散地利用了一个交互式循环，它由三个部分组成。(1)基于对用户IRF的估计，主动学习被用来建议用户应该评估的一个或几个设置。(2)用户通过评估来评估新的设置。评估作为反馈给用户的IRF模型。(3)用户IRF的估计是基于过去的评估，包括新的评估。
然而，从机器学习的角度来看，这样的系统带来了一些关键的挑战。首先，用户反馈基本上是非常嘈杂的，并且受到各种偏见的影响[Bech and Zacharov, 2007]，但对用户来说，提供这些服务可能也很累人。因此，绝对评级应该谨慎使用，通常只有在可以定义合适的锚点和/或参考例子时才使用。
第二个挑战是用户IRF的复杂性是未知的，并且在应用程序、上下文和主题中肯定会有所不同。因此，我们考虑一种非参数的方法来建模用户的IRF，在目前的工作中，功能复杂性没有事先严格规定。然而，这要求用户的IRF的非参数模型可以鲁棒地训练，以避免过拟合。
一个高斯过程[Rasmussen和Williams, 2006]为此目的构成了一个吸引人的贝叶斯非参数回归框架，在目前的工作中，它被特别考虑来建模用户的未观测IRF。由于观测数据的特殊性，传统的高斯过程回归不能直接应用，因此，在高斯过程框架下，必须采用专门开发的选择模型。从机器学习的角度来看，最后一个关键挑战是将主动学习应用于高斯过程框架中建模的用户IRF的(理想的全局)优化。
第二章：
高斯过程
高斯过程是整个函数的先验，因此在贝叶斯非参数回归框架中是自然先验。(零均值)高斯过程仅通过协方差(或核)函数定义，这使得高斯过程非常灵活。贝叶斯公式使从数据中原则性地学习核参数成为可能。缺点是，高斯过程的计算成本以训练示例数量的三次比例增长。
在本文的工作中，只有很少的训练例子可用，因此计算缩放不是一个问题。相反，贝叶斯非参数公式使考虑一个丰富的函数类成为可能，与一个原则的方法来限制解决基于有限数量的训练示例。
