論文の概要: Semantic-aware Graph-guided Behavior Sequences Generation with Large Language Models for Smart Homes

• arxiv url: http://arxiv.org/abs/2508.03484v1
• Date: Tue, 05 Aug 2025 14:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:56.00526
• Title: Semantic-aware Graph-guided Behavior Sequences Generation with Large Language Models for Smart Homes
• Title（参考訳）: スマートホームのための大規模言語モデルを用いた意味認識型グラフ誘導行動系列生成
• Authors: Zhiyao Xu, Dan Zhao, Qingsong Zou, Qing Li, Yong Jiang, Yuhang Wang, Jingyu Xiao,
• Abstract要約: SmartGenは、コンテキスト対応のユーザ行動データを合成して、下流のスマートホームモデルの継続的な適応をサポートするフレームワークである。 SmartGenは、振る舞いドリフト時の異常検出と振る舞い予測タスクにおけるモデルパフォーマンスを著しく向上する。
• 参考スコア（独自算出の注目度）: 35.431529010502835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As smart homes become increasingly prevalent, intelligent models are widely used for tasks such as anomaly detection and behavior prediction. These models are typically trained on static datasets, making them brittle to behavioral drift caused by seasonal changes, lifestyle shifts, or evolving routines. However, collecting new behavior data for retraining is often impractical due to its slow pace, high cost, and privacy concerns. In this paper, we propose SmartGen, an LLM-based framework that synthesizes context-aware user behavior data to support continual adaptation of downstream smart home models. SmartGen consists of four key components. First, we design a Time and Semantic-aware Split module to divide long behavior sequences into manageable, semantically coherent subsequences under dual time-span constraints. Second, we propose Semantic-aware Sequence Compression to reduce input length while preserving representative semantics by clustering behavior mapping in latent space. Third, we introduce Graph-guided Sequence Synthesis, which constructs a behavior relationship graph and encodes frequent transitions into prompts, guiding the LLM to generate data aligned with contextual changes while retaining core behavior patterns. Finally, we design a Two-stage Outlier Filter to identify and remove implausible or semantically inconsistent outputs, aiming to improve the factual coherence and behavioral validity of the generated sequences. Experiments on three real-world datasets demonstrate that SmartGen significantly enhances model performance on anomaly detection and behavior prediction tasks under behavioral drift, with anomaly detection improving by 85.43% and behavior prediction by 70.51% on average. The code is available at https://github.com/horizonsinzqs/SmartGen.
• Abstract（参考訳）: スマートホームの普及に伴い、異常検出や行動予測といったタスクにインテリジェントモデルが広く使用されている。 これらのモデルは、通常、静的データセットに基づいてトレーニングされ、季節の変化、ライフスタイルの変化、または進化するルーチンによって引き起こされる行動の漂流に脆弱になる。 しかし、リトレーニングのための新しい行動データを集めることは、その遅いペース、高いコスト、プライバシー上の懸念のために、しばしば現実的ではない。 本稿では,下流のスマートホームモデルの継続的な適応を支援するために,コンテキスト認識型ユーザ行動データを合成するLLMベースのフレームワークであるSmartGenを提案する。 SmartGenは4つのキーコンポーネントで構成されている。 まず、時間とセマンティックを意識したSplitモジュールを設計し、長い動作列を2つの時間スパン制約の下で管理可能でセマンティックに一貫性のあるサブシーケンスに分割する。 次に,セマンティック・アウェア・シークエンス・圧縮(Semantic-Aware Sequence Compression)を提案する。 第3に,行動関係グラフを構築し,頻繁な遷移をプロンプトにエンコードするグラフ誘導シーケンス合成を導入する。 最後に、2段階外乱フィルタを設計し、生成したシーケンスの事実的一貫性と行動的妥当性を改善することを目的として、不明瞭な出力や意味的に一貫性のない出力を識別・除去する。 3つの実世界のデータセットの実験により、SmartGenは行動漂流下での異常検出および行動予測タスクのモデル性能を著しく向上し、異常検出は85.43%改善し、行動予測は平均70.51%向上した。 コードはhttps://github.com/horizonsinzqs/SmartGenで公開されている。

関連論文リスト

• Tuning Language Models for Robust Prediction of Diverse User Behaviors [14.342911841456663]
  インテリジェントアシスタントサービスにはユーザ行動の予測が不可欠だが、ディープラーニングモデルは長い尾の振る舞いを捉えるのに苦労することが多い。 本稿では,この問題に対処する段階的な微調整手法であるBehavimentLMを紹介する。 2つの実世界のデータセットの実験結果から、BehavimentLMはアンカーとテールの両方の挙動を頑健に予測することが示された。
  論文  参考訳（メタデータ） (2025-05-23T09:53:43Z)
• Large language model as user daily behavior data generator: balancing population diversity and individual personality [12.464365435176099]
  本稿では,大規模言語モデルを用いて高品質な合成行動データを生成するフレームワークであるBehavimentGenを紹介する。 プロファイルと実際のイベントに基づいてユーザの振る舞いをシミュレートすることで、BehavimentGenは行動予測モデルにおけるデータ拡張と置換をサポートする。 我々は,その性能を,強化,微調整,微調整などのシナリオで評価し,人間の移動性やスマートフォン利用予測の大幅な改善を実現した。
  論文  参考訳（メタデータ） (2025-05-23T08:22:09Z)
• Gated Attention for Large Language Models: Non-linearity, Sparsity, and Attention-Sink-Free [81.65559031466452]
  我々は、ゲーティング強化ソフトマックスアテンションの変種を調べる実験を行った。 SDPA(Scaled Dot-Product Attention)後の頭部特異的シグモイドゲートを簡易に修正することで,性能が向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-10T17:15:49Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• T4P: Test-Time Training of Trajectory Prediction via Masked Autoencoder and Actor-specific Token Memory [39.021321011792786]
  軌道予測は、複数のアクター間の相互作用を考慮することを必要とする難しい問題である。 データ駆動型アプローチは、この複雑な問題に対処するために使われてきたが、テスト期間中に分散シフトの下では信頼性の低い予測に悩まされている。 本研究では,観測データから回帰損失を用いたオンライン学習手法を提案する。 提案手法は,予測精度と計算効率の両方の観点から,既存の最先端オンライン学習手法の性能を超越した手法である。
  論文  参考訳（メタデータ） (2024-03-15T06:47:14Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• SequenceMatch: Imitation Learning for Autoregressive Sequence Modelling with Backtracking [60.109453252858806]
  MLE(Maxum-likelihood)の目的は、高品質なシーケンスを自動回帰的に生成する下流のユースケースと一致しない。 我々は、模倣学習(IL)問題としてシーケンス生成を定式化する。 これにより、自己回帰モデルによって生成されるシーケンスの分布とデータセットからのシーケンスとの差異を最小化できる。 得られた手法であるSequenceMatchは、敵の訓練やアーキテクチャの変更なしに実装できる。
  論文  参考訳（メタデータ） (2023-06-08T17:59:58Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Autoregressive GNN-ODE GRU Model for Network Dynamics [7.272158647379444]
  本稿では,AGOG(Autoregressive GNN-ODE GRU Model)を提案する。 我々のモデルは複雑なシステムの連続的動的過程を正確に捉え、最小限の誤差でノード状態の予測を行うことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:43:10Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。