論文の概要: Enhanced Web User Interface Design Via Cross-Device Responsiveness Assessment Using An Improved HCI-INTEGRATED DL Schemes
- arxiv url: http://arxiv.org/abs/2512.15775v1
- Date: Sat, 13 Dec 2025 15:58:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-19 18:10:31.693076
- Title: Enhanced Web User Interface Design Via Cross-Device Responsiveness Assessment Using An Improved HCI-INTEGRATED DL Schemes
- Title（参考訳）: 改良型HCI統合DLスキームを用いたデバイス間応答性評価によるWebユーザインタフェース設計の強化
- Authors: Shrinivass Arunachalam Balasubramanian,
- Abstract要約: 本稿ではクロスレスポンシブネス(CR)アセスメントによる動的Web UI最適化を提案する。
FECSM(Finite Exponential Continuous State Machine)とQuokka Different Swarm Optimization Algorithm(QNDSOA)を用いてCR評価を行う。
新しいQNDSOAは、平均適合度98.563.2%のUI設計を最適化するために使用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: User Interface (UI) optimization is essential in the digital era to enhance user satisfaction in web environments. Nevertheless, the existing UI optimization models had overlooked the Cross-Responsiveness (CR) assessment, affecting the user interaction efficiency. Consequently, this article proposes a dynamic web UI optimization through CR assessment using Finite Exponential Continuous State Machine (FECSM) and Quokka Nonlinear Difference Swarm Optimization Algorithm (QNDSOA). Initially, the design and user interaction related information is collected as well as pre-processed for min-max normalization. Next, the Human-Computer Interaction (HCI)-based features are extracted, followed by user behaviour pattern grouping. Meanwhile, the CR assessment is done using FECSM. Then, the proposed Bidirectional Gated Luong and Mish Recurrent Unit (BiGLMRU) is used to classify the User eXperience (UX) change type, which is labelled based on the User Interface Change Prediction Index (UICPI). Lastly, a novel QNDSOA is utilized to optimize the UI design with an average fitness of 98.5632%. Feedback monitoring is done after optimal deployment.
- Abstract（参考訳）: ユーザインタフェース(UI)の最適化は、Web環境におけるユーザの満足度を高めるために、デジタル時代において不可欠である。
それでも、既存のUI最適化モデルは、ユーザインタラクション効率に影響を与えるクロスレスポンス(CR)アセスメントを見逃していた。
そこで本稿では,FECSM(Finite Exponential Continuous State Machine)とQNDSOA(Quokka differential Swarm Optimization Algorithm)を用いたCRアセスメントによる動的Web UI最適化を提案する。
当初、設計とユーザインタラクションに関連する情報は収集され、min-max正規化のために前処理される。
次に、Human-Computer Interaction (HCI)ベースの特徴を抽出し、続いてユーザ動作パターンのグルーピングを行う。
一方、CRアセスメントはFECSMを用いて行われる。
次に、ユーザインタフェース変更予測指標(UICPI)に基づいてラベル付けされた、ユーザeXperience(UX)変更タイプを分類するために、提案した双方向Gated LuongとMish Recurrent Unit(BiGLMRU)を使用する。
最後に、新しいQNDSOAを使用して、平均適合度98.5632%のUI設計を最適化する。
フィードバックの監視は最適なデプロイメント後に行われる。
関連論文リスト
- Do MLLMs Capture How Interfaces Guide User Behavior? A Benchmark for Multimodal UI/UX Design Understanding [45.81445929920235]
WeserUI-Benchは、モデルによるUI/UX設計のマルチモーダル理解を評価するための新しいベンチマークである。
現実世界のUIイメージペアは300種類あり、それぞれが実際の企業によって大規模にテストされた2つの設計版A/Bで構成されている。
このベンチマークでは,(1)A/Bテストで検証された勝者を予測することで,より効果的なUI/UX設計を選択すること,(2)モデルの勝者が,専門家の推論に従って,その有効性を説明することができること,の2つのコアタスクをサポートする。
論文 参考訳（メタデータ） (2025-05-08T08:00:32Z) - Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。
本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
論文 参考訳（メタデータ） (2025-04-29T06:37:30Z) - Reasoning LLMs for User-Aware Multimodal Conversational Agents [3.533721662684487]
社会ロボティクスにおけるパーソナライゼーションは、効果的な人間とロボットの相互作用を促進するために重要である。
本稿では,ユーザ認識型対話エージェントのための新しいフレームワークUSER-LLM R1を提案する。
提案手法では,チェーン・オブ・シンク(CoT)推論モデルを統合し,ユーザの好みや視覚言語モデルを反復的に推測する。
論文 参考訳（メタデータ） (2025-04-02T13:00:17Z) - Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。
よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
論文 参考訳（メタデータ） (2025-02-05T17:14:45Z) - Dynamic User Interface Generation for Enhanced Human-Computer Interaction Using Variational Autoencoders [4.1676654279172265]
本研究では,変分オートエンコーダ(VAE)モデルに基づく,インテリジェントなユーザインタラクションインタフェース生成と最適化のための新しいアプローチを提案する。
VAEベースのアプローチは、オートエンコーダ(AE)、生成敵ネットワーク(GAN)、条件付きGAN(cGAN)、ディープ信頼ネットワーク(DBN)、VAE-GAN(VAE-GAN)などの他の手法と比較して、インタフェース生成の品質と精度を著しく向上させる。
論文 参考訳（メタデータ） (2024-12-19T04:37:47Z) - 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) - Ordinal Graph Gamma Belief Network for Social Recommender Systems [54.9487910312535]
我々は,階層型ベイズモデルであるオーディナルグラフファクター解析(OGFA)を開発し,ユーザ・イテムとユーザ・ユーザインタラクションを共同でモデル化する。
OGFAは、優れたレコメンデーションパフォーマンスを達成するだけでなく、代表ユーザの好みに応じた解釈可能な潜在因子も抽出する。
我々はOGFAを,マルチ確率層深層確率モデルであるオーディナルグラフガンマ信念ネットワークに拡張する。
論文 参考訳（メタデータ） (2022-09-12T09:19:22Z) - 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) - Denoising User-aware Memory Network for Recommendation [11.145186013006375]
我々はDUMN(Denoising User-Aware memory network)という新しいCTRモデルを提案する。
DUMNは明示的なフィードバックの表現を使用して、暗黙的なフィードバックの表現を浄化し、暗黙的なフィードバックを効果的に軽視する。
2つの実際のEコマースユーザ行動データセットの実験は、DUMNが最先端のベースラインよりも大幅に改善されていることを示している。
論文 参考訳（メタデータ） (2021-07-12T14:39:36Z) - 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)
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。