論文の概要: Automatic Macro Mining from Interaction Traces at Scale

• arxiv url: http://arxiv.org/abs/2310.07023v1
• Date: Tue, 10 Oct 2023 21:23:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-13 01:18:43.083506
• Title: Automatic Macro Mining from Interaction Traces at Scale
• Title（参考訳）: 大規模相互作用トレースによるマクロマイニング
• Authors: Forrest Huang, Gang Li, Tao Li, Yang Li
• Abstract要約: ランダムおよびユーザによるモバイルインタラクショントレースから意味論的に意味のあるマクロを自動的に抽出する新しい手法を提案する。 このアプローチによって生成されたマクロは、自然言語記述で自動的にタグ付けされ、完全に実行可能である。
• 参考スコア（独自算出の注目度）: 11.33061722797218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Macros are building block tasks of our everyday smartphone activity (e.g., "login", or "booking a flight"). Effectively extracting macros is important for understanding mobile interaction and enabling task automation. These macros are however difficult to extract at scale as they can be comprised of multiple steps yet hidden within programmatic components of the app. In this paper, we introduce a novel approach based on Large Language Models (LLMs) to automatically extract semantically meaningful macros from both random and user-curated mobile interaction traces. The macros produced by our approach are automatically tagged with natural language descriptions and are fully executable. To examine the quality of extraction, we conduct multiple studies, including user evaluation, comparative analysis against human-curated tasks, and automatic execution of these macros. These experiments and analyses show the effectiveness of our approach and the usefulness of extracted macros in various downstream applications.
• Abstract（参考訳）: マクロは日々のスマートフォン活動(例えば"login"や"booking a flight"など)のブロックタスクを構築しています。 マクロを効果的に抽出することは、モバイルインタラクションの理解とタスク自動化を可能にする上で重要である。 これらのマクロは、アプリケーションのプログラムコンポーネントに隠されている複数のステップで構成されているため、大規模に抽出することは困難である。 本稿では,ランダムとユーザによる対話トレースから意味的に意味のあるマクロを自動的に抽出する,大規模言語モデル(llms)に基づく新しいアプローチを提案する。 我々のアプローチによって生成されたマクロは自然言語記述で自動的にタグ付けされ、完全に実行可能である。 抽出の質を検討するために,ユーザ評価,ヒューマンキュレーションタスクに対する比較分析,マクロの自動実行など,複数の研究を行った。 これらの実験と解析により, 下流における抽出マクロの有効性と有用性を示した。

関連論文リスト

• Keypoint Abstraction using Large Models for Object-Relative Imitation Learning [78.92043196054071]
  多様なタスクや環境にまたがる新しいオブジェクト構成やインスタンスへの一般化は、ロボット工学において重要な課題である。 キーポイントに基づく表現は、本質的なオブジェクトキャプチャ機能のための簡潔な表現として有効であることが証明されている。 本稿では,タスク関連およびクロスインスタンス整合性キーポイントの自動生成に,大規模な事前学習型視覚言語モデルを活用するフレームワークであるKALMを提案する。
  論文  参考訳（メタデータ） (2024-10-30T17:37:31Z)
• CRAB: Cross-environment Agent Benchmark for Multimodal Language Model Agents [49.68117560675367]
  Crabは、クロス環境タスクをサポートするように設計された最初のベンチマークフレームワークである。 私たちのフレームワークは複数のデバイスをサポートし、Pythonインターフェースで簡単に任意の環境に拡張できます。 実験の結果、GPT-4oの1剤が38.01%の最高完成率を達成することが示された。
  論文  参考訳（メタデータ） (2024-07-01T17:55:04Z)
• From Macro to Micro: Boosting micro-expression recognition via pre-training on macro-expression videos [9.472210792839023]
  マイクロ圧縮認識(MER)は、インテリジェント医療や嘘検出に応用される可能性があるため、近年注目を集めている。 我々は、textbfMAcro-expression textbfTO textbfMIcro-expression (MA2MI) と呼ばれる一般化トランスファー学習パラダイムを提案する。 我々のパラダイムでは、ネットワークは将来のフレームを再構築することで、微妙な顔の動きを表現する能力を学ぶことができる。
  論文  参考訳（メタデータ） (2024-05-26T06:42:06Z)
• MarkLLM: An Open-Source Toolkit for LLM Watermarking [80.00466284110269]
  MarkLLMは、LLMウォーターマーキングアルゴリズムを実装するためのオープンソースのツールキットである。 評価のために、MarkLLMは3つの視点にまたがる12のツールと、2種類の自動評価パイプラインを提供する。
  論文  参考訳（メタデータ） (2024-05-16T12:40:01Z)
• Semantic Analysis of Macro Usage for Portability [2.7195102129095003]
  マクロ利用の可搬性を分析するための,最初の包括的フレームワークを紹介する。 マキを86,199のマクロ定義を含む21のプログラムに適用する。 平均すると、移植が容易なマクロが2倍になり、以前の作業よりも最大7倍多いことが分かりました。
  論文  参考訳（メタデータ） (2024-01-18T23:30:02Z)
• Interactive Planning Using Large Language Models for Partially Observable Robotics Tasks [54.60571399091711]
  大きな言語モデル(LLM)は、オープン語彙タスクを実行するロボットエージェントを作成することで、驚くべき成果を上げている。 LLMを用いた部分的に観測可能なタスクのための対話型計画手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T22:54:44Z)
• TaskBench: Benchmarking Large Language Models for Task Automation [82.2932794189585]
  タスク自動化における大規模言語モデル(LLM)の機能を評価するためのフレームワークであるTaskBenchを紹介する。 具体的には、タスクの分解、ツールの選択、パラメータ予測を評価する。 提案手法は, 自動構築と厳密な人的検証を組み合わせることで, 人的評価との整合性を確保する。
  論文  参考訳（メタデータ） (2023-11-30T18:02:44Z)
• ChatGPT as your Personal Data Scientist [0.9689893038619583]
  本稿では,ChatGPTを用いた対話型データサイエンスフレームワークについて紹介する。 データビジュアライゼーション、タスクの定式化、予測エンジニアリング、結果概要と勧告の4つのダイアログ状態を中心に、私たちのモデルが中心になっています。 要約して,会話データ科学の新たな概念が実現可能であることを証明するとともに,複雑なタスクを解く上でLLMが有効であることを示すエンド・ツー・エンド・エンド・システムを開発した。
  論文  参考訳（メタデータ） (2023-05-23T04:00:16Z)
• Data-to-text Generation with Macro Planning [61.265321323312286]
  本稿では,マクロ計画段階のニューラルモデルと,従来の手法を連想させる生成段階を提案する。 提案手法は, 自動評価と人的評価の両面で, 競争ベースラインを上回っている。
  論文  参考訳（メタデータ） (2021-02-04T16:32:57Z)
• Manipulation of Articulated Objects using Dual-arm Robots via Answer Set Programming [10.316694915810947]
  調音物体の操作はロボティクスにおいて最も重要なものであり、最も複雑な操作の1つと見なすことができる。 従来、この問題は、柔軟性と移植性に欠けるアドホックなアプローチによって対処されてきた。 本稿では,ロボット制御アーキテクチャにおける調音オブジェクトの自動操作のための解答セットプログラミング(ASP)に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-02T18:50:39Z)

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。