論文の概要: MAPLE: Mobile App Prediction Leveraging Large Language model Embeddings

• arxiv url: http://arxiv.org/abs/2309.08648v1
• Date: Fri, 15 Sep 2023 13:15:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-19 20:14:04.852252
• Title: MAPLE: Mobile App Prediction Leveraging Large Language model Embeddings
• Title（参考訳）: maple: 大きな言語モデルを埋め込んだモバイルアプリの予測
• Authors: Yonchanok Khaokaew, Hao Xue, Flora D. Salim
• Abstract要約: 本稿では,Large Language Model Embeddings(MAPLE)モデルを用いたモバイルアプリ予測を提案する。 この革新的なアプローチは、アプリケーション使用率を正確に予測するために、LLM(Large Language Models)を使用する。
• 参考スコア（独自算出の注目度）: 10.15489740838546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the rapid advancement of mobile applications, predicting app usage remains a formidable challenge due to intricate user behaviours and ever-evolving contexts. To address these issues, this paper introduces the Mobile App Prediction Leveraging Large Language Model Embeddings (MAPLE) model. This innovative approach utilizes Large Language Models (LLMs) to predict app usage accurately. Rigorous testing on two public datasets highlights MAPLE's capability to decipher intricate patterns and comprehend user contexts. These robust results confirm MAPLE's versatility and resilience across various scenarios. While its primary design caters to app prediction, the outcomes also emphasize the broader applicability of LLMs in different domains. Through this research, we emphasize the potential of LLMs in app usage prediction and suggest their transformative capacity in modelling human behaviours across diverse fields.
• Abstract（参考訳）: モバイルアプリの急速な進歩にもかかわらず、アプリの使用率の予測は、ユーザーの複雑な振る舞いと進化し続けるコンテキストによって、依然として大きな課題である。 これらの問題に対処するため,本稿では,大規模言語モデル埋め込み(MAPLE)モデルを活用したモバイルアプリ予測を提案する。 この革新的なアプローチは、アプリケーション使用率を正確に予測するために、LLM(Large Language Models)を使用する。 2つの公開データセットの厳密なテストは、複雑なパターンを解読し、ユーザコンテキストを理解するMAPLEの機能を強調している。 これらの堅牢な結果は、様々なシナリオにおけるMAPLEの汎用性とレジリエンスを確認します。 主な設計はアプリの予測に当てはまるが、結果はまた異なるドメインにおけるllmの幅広い適用性を強調している。 本研究では,アプリケーション利用予測におけるLLMの可能性を強調し,多分野にわたる人間の振る舞いをモデル化する上で,その変換能力を提案する。

関連論文リスト

• A Practitioner's Guide to Continual Multimodal Pretraining [83.63894495064855]
  マルチモーダル・ファンデーション・モデルは視覚と言語を交わす多くのアプリケーションに役立っている。 モデルを更新し続けるために、継続事前トレーニングの研究は主に、大規模な新しいデータに対する頻度の低い、差別的な更新、あるいは頻繁に行われるサンプルレベルの更新のシナリオを探求する。 本稿では,FoMo-in-Flux(FoMo-in-Flux)について紹介する。
  論文  参考訳（メタデータ） (2024-08-26T17:59:01Z)
• New User Event Prediction Through the Lens of Causal Inference [20.676353189313737]
  新規ユーザのための新しい離散イベント予測フレームワークを提案する。 提案手法は,カテゴリを知る必要のない新規ユーザに対して,バイアスのない予測を提供する。 数値シミュレーションと実世界の2つの応用を用いて,提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2024-07-08T05:35:54Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• Synthetic Model Combination: An Instance-wise Approach to Unsupervised Ensemble Learning [92.89846887298852]
  ラベル付きデータのトレーニングセットから学ぶ機会のない、新しいテストデータに対する予測を検討する。 専門家モデルのセットと予測へのアクセスと、トレーニングに使用するデータセットに関する制限された情報を提供すること。
  論文  参考訳（メタデータ） (2022-10-11T10:20:31Z)
• MRCLens: an MRC Dataset Bias Detection Toolkit [82.44296974850639]
  MRCLensは,ユーザがフルモデルをトレーニングする前に,バイアスが存在するかどうかを検出するツールキットである。 ツールキットの導入の便宜のために,MDCにおける共通バイアスの分類も提供する。
  論文  参考訳（メタデータ） (2022-07-18T21:05:39Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Super-Prompting: Utilizing Model-Independent Contextual Data to Reduce Data Annotation Required in Visual Commonsense Tasks [3.42658286826597]
  我々は,言語モデルとマルチモーダル因果変換器モデルの両方における結果を改善するために,異なるプロンプトベースの微調整手法を解析する。 以上の結果から,モデルに依存しないインシデントベースの微調整により,微調整データセットの35%～40%のみを用いて,同等の精度で達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-04-25T18:56:55Z)
• CoSEM: Contextual and Semantic Embedding for App Usage Prediction [8.78798600901882]
  既存のモデリングアプローチでは、履歴アプリの使用履歴と、幅広いセマンティック情報を使用してアプリ使用を予測する。 本稿では、アプリケーション利用予測のためのContextual and Semantic Embedding Modelと呼ばれるモデルを開発する。 実験により,セマンティック情報と履歴アプリ利用情報を組み合わせることで,モデルがベースラインを上回ることを示す。
  論文  参考訳（メタデータ） (2021-08-26T02:38:44Z)
• Privacy Enhancing Machine Learning via Removal of Unwanted Dependencies [21.97951347784442]
  本稿では,特定のアプリケーションに送信される前に,データ中のセンシティブな情報を除去する,教師付き・敵対型学習手法の新たな変種について検討する。 提案手法は,エンド・ツー・エンド方式で特徴マッピングと予測モデルを同時に保存するプライバシー保護を最適化する。 モバイルセンシングと顔データを用いた実験結果から,予測モデルの実用性能の維持に成功し,予測性能の低下を招いた。
  論文  参考訳（メタデータ） (2020-07-30T19:55:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。