論文の概要: LLMAID: Identifying AI Capabilities in Android Apps with LLMs

• arxiv url: http://arxiv.org/abs/2511.19059v2
• Date: Fri, 28 Nov 2025 16:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 15:47:02.729832
• Title: LLMAID: Identifying AI Capabilities in Android Apps with LLMs
• Title（参考訳）: LLMAID: LLMを使用したAndroidアプリのAI機能識別
• Authors: Pei Liu, Terry Zhuo, Jiawei Deng, Thong James, Shidong Pan, Sherry Xu, Zhenchang Xing, Qinghua Lu, Xiaoning Du, Hongyu Zhang,
• Abstract要約: モバイルソフトウェアにおけるAI能力を識別するための既存のアプローチは、主に手動検査とルールベースのアプローチに依存している。 本稿では,候補抽出,知識ベースインタラクション,AI能力分析と検出,AIサービス要約の4つのタスクを含むLLMAIDを提案する。 LLMAIDを4,201のAndroidアプリケーションのデータセットに適用し、最先端のルールベースのアプローチよりも現実のAIアプリを242%多く特定します。
• 参考スコア（独自算出の注目度）: 20.902333603753572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in artificial intelligence (AI) and its widespread integration into mobile software applications have received significant attention, highlighting the growing prominence of AI capabilities in modern software systems. However, the inherent hallucination and reliability issues of AI continue to raise persistent concerns. Consequently, application users and regulators increasingly ask critical questions such as: Does the application incorporate AI capabilities? and What specific types of AI functionalities are embedded? Preliminary efforts have been made to identify AI capabilities in mobile software; however, existing approaches mainly rely on manual inspection and rule-based heuristics. These methods are not only costly and time-consuming but also struggle to adapt advanced AI techniques. To address the limitations of existing methods, we propose LLMAID (Large Language Model for AI Discovery). LLMAID includes four main tasks: (1) candidate extraction, (2) knowledge base interaction, (3) AI capability analysis and detection, and (4) AI service summarization. We apply LLMAID to a dataset of 4,201 Android applications and demonstrate that it identifies 242% more real-world AI apps than state-of-the-art rule-based approaches. Our experiments show that LLM4AID achieves high precision and recall, both exceeding 90%, in detecting AI-related components. Additionally, a user study indicates that developers find the AI service summaries generated by LLMAID to be more informative and preferable to the original app descriptions. Finally, we leverage LLMAID to perform an empirical analysis of AI capabilities across Android apps. The results reveal a strong concentration of AI functionality in computer vision (54.80%), with object detection emerging as the most common task (25.19%).
• Abstract（参考訳）: 人工知能(AI)の最近の進歩とモバイルソフトウェアアプリケーションへの広範な統合は大きな注目を集め、現代のソフトウェアシステムにおけるAI能力の高まりを浮き彫りにした。 しかし、AIの本質的な幻覚と信頼性の問題は、引き続き持続的な懸念を提起している。 その結果、アプリケーションユーザや規制機関は、次のように批判的な質問をするようになっている。 そして、どんな種類のAI機能が組み込まれているのか? モバイルソフトウェアにおけるAI機能を特定するための予備的な取り組みは行われているが、既存のアプローチは主に手動検査とルールベースのヒューリスティックに依存している。 これらの手法はコストと時間のかかるだけでなく、高度なAI技術への適応にも苦労する。 既存の手法の限界に対処するため,我々はLLMAID(Large Language Model for AI Discovery)を提案する。 LLMAIDは,(1)候補抽出,(2)知識ベースインタラクション,(3)AI能力分析と検出,(4)AIサービス要約の4つのタスクを含む。 LLMAIDを4,201のAndroidアプリケーションのデータセットに適用し、最先端のルールベースのアプローチよりも現実のAIアプリの方が242%多いことを実証した。 実験の結果,LLM4AIDはAI関連成分の検出において90%を超える高精度なリコールを実現していることがわかった。 さらに、ユーザ調査では、LLMAIDによって生成されたAIサービスの要約が、元のアプリ記述よりもより情報的かつ好ましいことが示されている。 最後に、LLMAIDを活用して、Androidアプリ全体でAI機能を実証分析します。 その結果、コンピュータビジョンにおけるAI機能の強い集中(54.80%)が明らかとなり、オブジェクト検出が最も一般的なタスク(25.19%)として出現した。

関連論文リスト

• Embodied AI: From LLMs to World Models [65.68972714346909]
  人工知能(AI)は、人工知能(AGI)を実現するためのインテリジェントシステムパラダイムである。 近年のLarge Language Models(LLMs)とWorld Models(WMs)のブレークスルーは、AIを具現化する上で大きな注目を集めている。
  論文  参考訳（メタデータ） (2025-09-24T11:37:48Z)
• MIRA: Empowering One-Touch AI Services on Smartphones with MLLM-based Instruction Recommendation [61.19099947706954]
  本稿では,タスク・インストラクション・レコメンデーションの先駆的フレームワークであるMIRAを紹介する。 MIRAを使用すると、ユーザーは画像やテキストオブジェクトを長押しして、AIタスクを実行するためのコンテキスト関連命令レコメンデーションを受け取ることができる。 MIRAは命令レコメンデーションの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2025-09-17T07:43:14Z)
• ML-Master: Towards AI-for-AI via Integration of Exploration and Reasoning [49.25518866694287]
  本稿では,探索と推論をシームレスに統合する新しいAI4AIエージェントであるML-Masterを提案する。 我々はML-MasterをMLE-Benchで評価し、平均メダル率29.3%を達成し、既存の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2025-06-19T17:53:28Z)
• General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
  ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。 私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。 私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
  論文  参考訳（メタデータ） (2025-03-09T01:13:56Z)
• Aligning Cyber Space with Physical World: A Comprehensive Survey on Embodied AI [116.8199519880327]
  人工知能(Embodied AI)は、人工知能(AGI)の実現に不可欠である 本調査では,Embodied AIの最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-07-09T14:14:47Z)
• Towards Real Smart Apps: Investigating Human-AI Interactions in Smartphone On-Device AI Apps [17.630597106970466]
  優れたインタラクション設計は、AI機能を使いやすく、理解しやすいものにするために重要です。 既存のガイドラインやツールは、AI機能やモバイルアプリをカバーしていない。 モバイルアプリにおけるユーザとAIのインタラクションを調査するための,最初の実証的研究を行った。
  論文  参考訳（メタデータ） (2023-07-03T05:04:34Z)
• An Empirical Study of AI Techniques in Mobile Applications [10.43634556488264]
  私たちは、AIアプリケーションに関する最も広範な実証的研究を行い、デバイス上でのMLアプリ、デバイス上でのDLアプリ、そしてAIサービスをサポートする(クラウドベースの)アプリを調査しました。 私たちの研究は、AIアプリ開発者、ユーザ、AI R&Dに強く影響しています。
  論文  参考訳（メタデータ） (2022-12-03T15:31:34Z)
• AI-Assisted Authentication: State of the Art, Taxonomy and Future Roadmap [0.0]
  本稿では,人工知能の認証への応用に焦点を当てる。 新たなAI支援認証スキームによって、我々の調査は高いレベルの全体的な理解を提供する。 他の関連する調査とは対照的に、我々の研究は、認証におけるAIの役割に焦点を合わせた最初のものだ。
  論文  参考訳（メタデータ） (2022-04-25T21:16:55Z)

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。