arXiv cs.AI· Saleh Mozaffari, Abolfazl Nadi·· 1 天前AI 评分18
用扰动剖面刻画扫描路径解码流程
Characterizing Scanpath Decoding Pipelines with Perturbation Profiles
AI 导读
研究者提出“扰动剖面”方法，用五种变换分别针对扫描路径的注视顺序、时长与位置耦合、时长分布、方向与手性、细粒度空间结构，通过重训分类器并观察参与者留出 AUC 变化来衡量流程对该属性的敏感度。
正文 · AI 翻译
摘要：当扫描路径描述符支持某项分类时，该分类究竟基于什么，往往并不清楚。我们提出扰动剖面。五种变换各自针对每条扫描路径的一个既定属性（注视顺序、持续时间与位置的耦合、持续时间分布、方向与手性，以及精细空间结构），同时保留一组列出的不变量。重新拟合分类器，参与者留出 AUC 的变化即为该流程对该属性的敏感度。区间来自会重新拟合分类器的参与者自助法；在模拟中它们是保守的（99.7% 覆盖率；标准误约为经验离散度的 1.8 倍）。我们在来自三个公开数据集的十三个二分类问题上对九个描述符进行了剖面分析，采用折内 AUC 和类别均衡的折，并给出应解读哪些敏感度的既定规则。在 565 个区间中，95 个排除零；80 个对合并 AUC、20 个折划分和更长运行稳健（其中 36 个在 +/-0.05 AUC 以内），45 个在提升树上也成立。大多数来自 GazeBase（322 名参与者）。置换注视顺序提高了基于平均扫视幅度的描述符的 AUC，因为置换后的幅度的期望是平均成对距离，一种离散度度量。对两个程序合并的“理解”对比实际上是它们布局之间的对比：它在同一程序的试次中消失，而仅从布局生成的合成注视在其下方重现了程序对比。对于母语与非母语读者，文本行尺度上的空间抖动降低了递归的区分能力。发布了 Python 包。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2611.11632 [cs.AI] |
| （或 arXiv:2611.11632v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2611.11632 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Abolfazl Nadi [查看电子邮件]
[v1]
2026 年 11 月 8 日周日 21:31:47 UTC（118 KB）
[v2]
2026 年 11 月 11 日周三 18:30:44 UTC（157 KB）
来源：arXiv cs.AI · arxiv.org