論文の概要: MAPLE: Mobile App Prediction Leveraging Large Language Model Embeddings
- arxiv url: http://arxiv.org/abs/2309.08648v2
- Date: Mon, 29 Jan 2024 22:44:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 18:50:05.917831
- 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: 本研究では,大規模言語モデル埋め込み(MAPLE)を活用したモバイルアプリケーション予測モデルを提案する。
MAPLEは、LLM(Large Language Models)を採用し、これらの課題を克服するためにアプリの類似性をインストールしている。
2つの実世界のデータセットのテストでは、MAPLEは標準およびコールドスタートシナリオの両方で、現代のモデルを上回っている。
- 参考スコア（独自算出の注目度）: 10.15489740838546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, predicting mobile app usage has become increasingly
important for areas like app recommendation, user behaviour analysis, and
mobile resource management. Existing models, however, struggle with the
heterogeneous nature of contextual data and the user cold start problem. This
study introduces a novel prediction model, Mobile App Prediction Leveraging
Large Language Model Embeddings (MAPLE), which employs Large Language Models
(LLMs) and installed app similarity to overcome these challenges. MAPLE
utilises the power of LLMs to process contextual data and discern intricate
relationships within it effectively. Additionally, we explore the use of
installed app similarity to address the cold start problem, facilitating the
modelling of user preferences and habits, even for new users with limited
historical data. In essence, our research presents MAPLE as a novel, potent,
and practical approach to app usage prediction, making significant strides in
resolving issues faced by existing models. MAPLE stands out as a comprehensive
and effective solution, setting a new benchmark for more precise and
personalised app usage predictions. In tests on two real-world datasets, MAPLE
surpasses contemporary models in both standard and cold start scenarios. These
outcomes validate MAPLE's capacity for precise app usage predictions and its
resilience against the cold start problem. This enhanced performance stems from
the model's proficiency in capturing complex temporal patterns and leveraging
contextual information. As a result, MAPLE can potentially improve personalised
mobile app usage predictions and user experiences markedly.
- Abstract（参考訳）: 近年,アプリのレコメンデーションやユーザ行動分析,モバイルリソース管理といった分野において,モバイルアプリの利用予測がますます重要になっている。
しかし、既存のモデルでは、コンテキストデータの異質な性質とユーザーのコールドスタート問題に苦労している。
本研究では,Large Language Models (LLMs) を採用した新しい予測モデルである Mobile App Prediction Leveraging Large Language Model Embeddings (MAPLE) を紹介する。
MAPLEはLLMの力を利用してコンテキストデータを処理し、その中の複雑な関係を効果的に識別する。
さらに,冷戦開始問題に対処するためにインストールされたアプリの類似性について検討し,履歴データに制限のある新規ユーザに対しても,ユーザの好みや習慣のモデリングを容易にする。
本研究は,MAPLEをアプリケーション利用予測の新しい,強力な,実践的なアプローチとして提示し,既存のモデルが直面する問題の解決に大きく貢献する。
MAPLEは総合的で効果的なソリューションであり、より正確でパーソナライズされたアプリ利用予測のための新しいベンチマークを設定する。
2つの実世界のデータセットのテストでは、MAPLEは標準およびコールドスタートシナリオの両方で、現代のモデルを上回っている。
これらの結果は、mapleの正確なアプリ利用予測能力とコールドスタート問題に対するレジリエンスを検証する。
この性能の向上は、複雑な時間的パターンを捕捉し、文脈情報を活用するモデルの能力に起因している。
その結果、mapleはパーソナライズされたモバイルアプリの利用予測とユーザエクスペリエンスを著しく改善することができる。
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。