論文の概要: Reinforcement Learning-Based Framework for the Intelligent Adaptation of User Interfaces
- arxiv url: http://arxiv.org/abs/2405.09255v1
- Date: Wed, 15 May 2024 11:14:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-16 13:46:20.076569
- Title: Reinforcement Learning-Based Framework for the Intelligent Adaptation of User Interfaces
- Title（参考訳）: ユーザインタフェースのインテリジェント適応のための強化学習型フレームワーク
- Authors: Daniel Gaspar-Figueiredo, Marta Fernández-Diego, Ruben Nuredini, Silvia Abrahão, Emilio Insfrán,
- Abstract要約: ユーザのニーズや好みを満たすために、ソフトウェアシステムのユーザインターフェース(UI)を適用するのは、複雑な作業です。
機械学習(ML)技術の最近の進歩は、適応プロセスを支援する効果的な手段を提供するかもしれない。
本稿では,Reinforcement Learning (RL) をMLコンポーネントとして,インテリジェントユーザインタフェース適応のための参照フレームワークをインスタンス化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Adapting the user interface (UI) of software systems to meet the needs and preferences of users is a complex task. The main challenge is to provide the appropriate adaptations at the appropriate time to offer value to end-users. Recent advances in Machine Learning (ML) techniques may provide effective means to support the adaptation process. In this paper, we instantiate a reference framework for Intelligent User Interface Adaptation by using Reinforcement Learning (RL) as the ML component to adapt user interfaces and ultimately improving the overall User Experience (UX). By using RL, the system is able to learn from past adaptations to improve the decision-making capabilities. Moreover, assessing the success of such adaptations remains a challenge. To overcome this issue, we propose to use predictive Human-Computer Interaction (HCI) models to evaluate the outcome of each action (ie adaptations) performed by the RL agent. In addition, we present an implementation of the instantiated framework, which is an extension of OpenAI Gym, that serves as a toolkit for developing and comparing RL algorithms. This Gym environment is highly configurable and extensible to other UI adaptation contexts. The evaluation results show that our RL-based framework can successfully train RL agents able to learn how to adapt UIs in a specific context to maximize the user engagement by using an HCI model as rewards predictor.
- Abstract（参考訳）: ユーザのニーズや好みを満たすために、ソフトウェアシステムのユーザインターフェース(UI)を適用するのは、複雑な作業です。
主な課題は、エンドユーザーに価値を提供する適切なタイミングで適切な適応を提供することです。
機械学習(ML)技術の最近の進歩は、適応プロセスを支援する効果的な手段を提供するかもしれない。
本稿では,Reinforcement Learning (RL) をMLコンポーネントとして用い,ユーザインタフェースを適応させ,最終的にはユーザエクスペリエンス(UX)全般を改善することにより,インテリジェントユーザインタフェース適応のための参照フレームワークをインスタンス化する。
RLを使用することで、システムは過去の適応から学び、意思決定能力を改善することができる。
さらに、このような適応の成功を評価することは依然として課題である。
そこで本研究では,RLエージェントが行う各アクション(e適応)の結果を評価するために,予測型ヒューマン・コンピュータインタラクション(HCI)モデルを提案する。
さらに,RLアルゴリズムの開発と比較のためのツールキットとして機能する,OpenAI Gymの拡張であるインスタントフレームワークの実装を提案する。
このGym環境は高度に設定可能で、他のUI適応コンテキストにも拡張可能である。
評価結果から,我々のRLベースのフレームワークは,ユーザエンゲージメントを最大化するために,HCIモデルを報酬予測器として使用することにより,特定のコンテキストにおけるUIの適応方法を学ぶことができる。
関連論文リスト
- Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-09T07:45:26Z) - Learning from Interaction: User Interface Adaptation using Reinforcement
Learning [0.0]
この論文では、生理的データを用いたRLベースのUI適応フレームワークを提案する。
このフレームワークは、ユーザインタラクションから学び、ユーザエクスペリエンス(UX)を改善するための情報適応を実現することを目的としている。
論文 参考訳（メタデータ） (2023-12-12T12:29:18Z) - A Comparative Study on Reward Models for UI Adaptation with
Reinforcement Learning [0.6899744489931015]
強化学習は、使用状況ごとにインターフェイスをパーソナライズするために使用することができる。
それぞれのアダプティブの報酬を決定することは、UIアダプティブに対するRLの課題である。
最近の研究では、この課題に対処するための報酬モデルの使用について検討されているが、このタイプのモデルに関する実証的な証拠はない。
論文 参考訳（メタデータ） (2023-08-26T18:31:16Z) - Reducing Large Adaptation Spaces in Self-Adaptive Systems Using Machine
Learning [10.444983001376874]
ML2ASR+は、適応空間削減のための機械学習の略である。
インターネット・オブ・シングス・アプリケーションとサービス・ベース・システムという,適応空間のサイズが異なる2つのアプリケーションに対してML2ASR+を評価する。
その結果,ML2ASR+は異なる種類の目標に対応するために適用可能であり,適応空間を減少させることができ,適応目標の実現に無視できない影響で90%以上の適応決定を行うことができることがわかった。
論文 参考訳（メタデータ） (2023-06-02T09:49:33Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Computational Adaptation of XR Interfaces Through Interaction Simulation [4.6193503399184275]
本稿では,ユーザエクスペリエンスとパフォーマンスの向上を目的として,XRインタフェースを適応するための計算手法について論じる。
メニュー選択タスクに適用した新しいモデルでは,認知的コストと運動的コストの両方を考慮してユーザインタラクションをシミュレートする。
論文 参考訳（メタデータ） (2022-04-19T23:37:07Z) - Adapting User Interfaces with Model-based Reinforcement Learning [47.469980921522115]
インターフェースへの適応には、変更がユーザに与えるポジティブな効果とネガティブな効果の両方を考慮する必要があります。
保守的な適応政策をもたらす適応的ユーザインターフェースの新たなアプローチを提案する。
論文 参考訳（メタデータ） (2021-03-11T17:24:34Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z) - Optimizing Interactive Systems via Data-Driven Objectives [70.3578528542663]
本稿では,観察されたユーザインタラクションから直接目的を推測する手法を提案する。
これらの推論は、事前の知識によらず、様々な種類のユーザー行動にまたがって行われる。
本稿では,これらの推定対象を最適化するために利用する新しいアルゴリズムであるInteractive System(ISO)を紹介する。
論文 参考訳（メタデータ） (2020-06-19T20:49:14Z) - Empowering Active Learning to Jointly Optimize System and User Demands [70.66168547821019]
我々は,アクティブラーニングシステムとユーザを協調的に(効率的に学習)するための,新しいアクティブラーニング手法を提案する。
本手法は,特定のユーザに対して,エクササイズの適切性を予測するために,学習を迅速かつ迅速に行う必要があるため,特に,この手法のメリットを生かした教育アプリケーションで研究する。
複数の学習戦略とユーザタイプを実際のユーザからのデータで評価し,代替手法がエンドユーザに適さない多くのエクササイズをもたらす場合,共同アプローチが両方の目標を満足できることを確認した。
論文 参考訳（メタデータ） (2020-05-09T16:02:52Z)
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。