論文翻譯：

總結：

第一章主要關注概率建模框架，其中使用高斯過程對使用者未觀察到的內部響應函式建模。在這種情況下，解決的第一個主要挑戰是考慮受到嘈雜噪聲不一致的使用者反饋。

解決的第二個主要挑戰是支援反饋，它能緊密地反映使用者的感知，同時在不增加認知負荷的情況下提供有關它的最大資訊。

在第二章中，主動學習和順序設計討論瞭如何在儘可能少的迭代中獲得最大使用者未觀察到的內部響應函式的設定。對於高斯過程框架，提出了一種特別適用於這類優化的主動學習準則。

最後一章包含了對目前工作和研究的整體討論和結論，部分基於附錄中所載的八篇科學論文貢獻的結果。

第一章：

現有的個性化程式至少存在兩個問題。首先，現代消費裝置和數字HAs中嵌入的大量可調引數使得手動試錯方法在實踐中很難跟蹤。其次，對於HA個性化和其他相關領域的情況，從使用者通過HCP到HA中所做調整的整個反饋連結可能是非常不完善的。雖然確切的比例未知，但相當多的使用者佩戴的是沒有仔細個性化的HAs(或將其放在抽屜裡)，因此不能充分受益於過去幾十年的技術飛躍。為了縮小技術和效益之間的差距，必須在未來實現裝置個性化的方式上實現飛躍，以跟上現代數字裝置的先進技術。

1.2動機

我們的假設是，通過使用基於概率機器學習的互動式優化技術，裝置(特別是has)的個性化可以得到顯著改善。必須為使用者提供一個簡單的使用者介面，在該介面中，單個裝置的設定被評估為與使用者的感知非常相似，並且必須仔細建模可能不一致的、因此，嘈雜的使用者反饋必須仔細建模。

此外，如果使用使用者未觀察到的內部響應函式(IRF)對可能的裝置設定的模型主動為使用者評估提出設定，則可以減少獲得最佳設定所需的評估次數。

因此，一個健壯、快速的個性化系統應該基於當前的評估集，在裝置設定上順序地更新使用者IRF模型，然後根據更新的模型主動查詢要評估的新設定。最後，建議的最優設定是最大化使用者預測IRF的設定。所考慮的系統的概念示意圖見圖1.1。

圖1.1:考慮的個性化框架的概念示意圖。該框架鬆散地利用了一個互動式迴圈，它由三個部分組成。(1)基於對使用者IRF的估計，主動學習被用來建議使用者應該評估的一個或幾個設定。(2)使用者通過評估來評估新的設定。評估作為反饋給使用者的IRF模型。(3)使用者IRF的估計是基於過去的評估，包括新的評估。

然而，從機器學習的角度來看，這樣的系統帶來了一些關鍵的挑戰。首先，使用者反饋基本上是非常嘈雜的，並且受到各種偏見的影響[Bech and Zacharov, 2007]，但對使用者來說，提供這些服務可能也很累人。因此，絕對評級應該謹慎使用，通常只有在可以定義合適的錨點和/或參考例子時才使用。

第二個挑戰是使用者IRF的複雜性是未知的，並且在應用程式、上下文和主題中肯定會有所不同。因此，我們考慮一種非引數的方法來建模使用者的IRF，在目前的工作中，功能複雜性沒有事先嚴格規定。然而，這要求使用者的IRF的非引數模型可以魯棒地訓練，以避免過擬合。

一個高斯過程[Rasmussen和Williams, 2006]為此目的構成了一個吸引人的貝葉斯非引數迴歸框架，在目前的工作中，它被特別考慮來建模使用者的未觀測IRF。由於觀測資料的特殊性，傳統的高斯過程迴歸不能直接應用，因此，在高斯過程框架下，必須採用專門開發的選擇模型。從機器學習的角度來看，最後一個關鍵挑戰是將主動學習應用於高斯過程框架中建模的使用者IRF的(理想的全域性)優化。

第二章：

高斯過程

高斯過程是整個函式的先驗，因此在貝葉斯非引數迴歸框架中是自然先驗。(零均值)高斯過程僅通過協方差(或核)函式定義，這使得高斯過程非常靈活。貝葉斯公式使從資料中原則性地學習核引數成為可能。缺點是，高斯過程的計算成本以訓練示例數量的三次比例增長。

在本文的工作中，只有很少的訓練例子可用，因此計算縮放不是一個問題。相反，貝葉斯非引數公式使考慮一個豐富的函式類成為可能，與一個原則的方法來限制解決基於有限數量的訓練示例。