論文の概要: PersonalAlign: Hierarchical Implicit Intent Alignment for Personalized GUI Agent with Long-Term User-Centric Records

• arxiv url: http://arxiv.org/abs/2601.09636v1
• Date: Wed, 14 Jan 2026 17:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-15 18:59:20.482829
• Title: PersonalAlign: Hierarchical Implicit Intent Alignment for Personalized GUI Agent with Long-Term User-Centric Records
• Title（参考訳）: パーソナライズされたGUIエージェントの長期ユーザ中心記録のための階層的インシシシトインテントアライメント
• Abstract要約: パーソナライズされたGUIエージェント(PersonalAlign)の階層的意図的アライメントに注目した。 PersonalAlignは、曖昧な指示で省略された好みを解決するために、長期的なユーザレコードを永続的なコンテキストとして活用する必要がある。 GPT-5, Qwen3-VL, UI-TARSなどのGUIエージェントをAndroidIntent上で評価する。
• 参考スコア（独自算出の注目度）: 67.68348568175718
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While GUI agents have shown strong performance under explicit and completion instructions, real-world deployment requires aligning with users' more complex implicit intents. In this work, we highlight Hierarchical Implicit Intent Alignment for Personalized GUI Agent (PersonalAlign), a new agent task that requires agents to leverage long-term user records as persistent context to resolve omitted preferences in vague instructions and anticipate latent routines by user state for proactive assistance. To facilitate this study, we introduce AndroidIntent, a benchmark designed to evaluate agents' ability in resolving vague instructions and providing proactive suggestions through reasoning over long-term user records. We annotated 775 user-specific preferences and 215 routines from 20k long-term records across different users for evaluation. Furthermore, we introduce Hierarchical Intent Memory Agent (HIM-Agent), which maintains a continuously updating personal memory and hierarchically organizes user preferences and routines for personalization. Finally, we evaluate a range of GUI agents on AndroidIntent, including GPT-5, Qwen3-VL, and UI-TARS, further results show that HIM-Agent significantly improves both execution and proactive performance by 15.7% and 7.3%.
• Abstract（参考訳）: GUIエージェントは明示的かつ完成的な命令の下で高いパフォーマンスを示してきたが、現実のデプロイメントはユーザのより複雑な暗黙の意図と整合する必要がある。 本稿では,パーソナライズされたGUIエージェントのための階層的意図的アライメント(PersonalAlign)について紹介する。これはエージェントが長期ユーザレコードを永続的コンテキストとして活用し,曖昧な指示で省略された嗜好を解消し,ユーザの状態によって潜時ルーチンを予測し,積極的な支援を行うための新しいエージェントタスクである。 そこで本研究では,エージェントが不明瞭な命令を解決し,長期ユーザレコードの推論を通じて積極的な提案を行う能力を評価するためのベンチマークであるAndroidIntentを紹介する。 評価のために,ユーザ固有の好み775件,長期記録20万件から215件のルーチンをアノテートした。 さらに, 階層型インテントメモリエージェント(HIM-Agent)を導入し, 個人記憶を継続的に更新し, 個人化のためのユーザの好みやルーチンを階層的に整理する。 最後に、GPT-5、Qwen3-VL、UI-TARSを含むAndroidIntent上のGUIエージェントの範囲を評価し、さらに、HIM-Agentは実行とプロアクティブパフォーマンスの両方を15.7%および7.3%改善することを示した。

関連論文リスト

• Act2Intention: A Benchmark For Developing Active Mobile Agents Through Inferring User Intention from GUI Actions [18.497151729519267]
  本稿では,ユーザ意図の理解,予測,意思決定を統合し,アクティブなモバイルエージェントを構築するAct2Intentionフレームワークを提案する。 Act2Intention Benchはデータ収集と検証された生成によって構築され、72,511の意図と52のアプリにわたる70,000以上のアクションで構成されています。 実験の結果、Act2Intention Benchの監督された微調整により、+32.0 Acc-S、+10.25 Acc-S、+6.9 SSRの絶対的な改善が得られた。
  論文  参考訳（メタデータ） (2026-08-14T09:36:59Z)
• From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
  大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。 最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。 縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。 IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-08-03T12:52:04Z)
• VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions [63.13827503828231]
  我々は、長期ユーザーインタラクションにおけるパーソナライズされたプロアクティブなエージェント動作を評価するためのベンチマークであるVitaBench 2.0を紹介する。 結果は、最先端のモデルでさえ、現実世界のパーソナライゼーションは非常に困難であることを示している。
  論文  参考訳（メタデータ） (2026-05-26T15:07:38Z)
• Turning Intent into Specifications: A Benchmark and an Interactive User-Assistant Agent [22.126763421836966]
  SpecBenchは、エージェントがユーザの意図を構造化された実行可能な仕様に変換する能力を評価するための新しいベンチマークである。 エージェントには過去のユーザ会話へのアクセスが与えられ、一定回数のラウンドでユーザと対話して、明確な質問をすることができる。
  論文  参考訳（メタデータ） (2026-05-13T16:07:43Z)
• KnowU-Bench: Towards Interactive, Proactive, and Personalized Mobile Agent Evaluation [72.01173512175531]
  KnowU-Benchはパーソナライズされたモバイルエージェントのためのオンラインベンチマークである。 42のGUIタスク、86のパーソナライズされたタスク、64のプロアクティブタスクをカバーしている。 明示的なタスク実行に優れるエージェントは、あいまいな指示の下で50%以下に低下する。
  論文  参考訳（メタデータ） (2026-04-09T16:50:50Z)
• PIRA-Bench: A Transition from Reactive GUI Agents to GUI-based Proactive Intent Recommendation Agents [32.98769345205729]
  PIRA-Benchは、マルチモーダルな大規模言語モデル(MLLM)を、連続的、弱い教師付き視覚入力で評価するための新しいベンチマークである。 本稿では,複数のタスクスレッドを管理し,誤った視覚的入力を処理する汎用MLLMを実現する,メモリ対応の状態追跡フレームワークであるPIRFベースラインを提案する。
  論文  参考訳（メタデータ） (2026-03-09T06:41:32Z)
• Me-Agent: A Personalized Mobile Agent with Two-Level User Habit Learning for Enhanced Interaction [20.029487905328004]
  学習可能で記憶に残るパーソナライズされたモバイルエージェントであるMe-Agentを提案する。 Me-Agentには2段階のユーザ習慣学習アプローチが組み込まれている。 Me-Agentは、競争力のある命令実行性能を維持しながら、パーソナライズにおける最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-28T01:44:19Z)
• SwipeGen: Bridging the Execution Gap in GUI Agents via Human-like Swipe Synthesis [11.291868789244496]
  人間のスワイプ動作を定量的な次元に分解し,人間のスワイプ操作を合成する自動パイプラインSwipeGenを提案する。 このパイプラインに基づいて、GUIエージェントのスワイプ実行能力を評価するための最初のベンチマークを構築し、リリースする。 対話実行機能を強化したGUIエージェントであるGUISwiperを提案する。
  論文  参考訳（メタデータ） (2026-01-26T09:35:10Z)
• Towards Proactive Personalization through Profile Customization for Individual Users in Dialogues [28.522406727886395]
  PersonalAgentは、ユーザの好みを継続的に推測し、適応するように設計された、生涯にわたるエージェントである。 実験により、PersonalAgentは強力なプロンプトベースおよびポリシー最適化ベースラインよりも優れたパフォーマンスを達成できることが示された。 本研究は、より包括的で適応的な会話エージェントを開発するために、生涯のパーソナライズの重要性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-12-17T10:47:06Z)
• TOM-SWE: User Mental Modeling For Software Engineering Agents [75.28749912645127]
  ToM-SWEは、プライマリ・ソフトウェア・エンジニアリング(SWE)エージェントとライトウェイト・オブ・ミンド(ToM)パートナーエージェントを組み合わせたデュアルエージェントアーキテクチャである。 ToM-SWEは、ユーザー目標、制約、およびインストラクションとインタラクション履歴から好みを推測する。 2つのソフトウェアエンジニアリングベンチマークでは、ToM-SWEはタスクの成功率とユーザの満足度を改善する。
  論文  参考訳（メタデータ） (2025-10-24T16:09:51Z)
• PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
  PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。 パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。 テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
  論文  参考訳（メタデータ） (2025-06-06T17:29:49Z)
• Creating General User Models from Computer Use [53.59999173952482]
  本稿では,コンピュータとのインタラクションを観察することでユーザについて学習する汎用ユーザモデル(GUM)のアーキテクチャを提案する。 GUMは、ユーザ(例えばデバイスのスクリーンショット)の非構造化観察を入力として受け取り、ユーザの知識と好みをキャプチャする信頼度重み付け命題を構築する。
  論文  参考訳（メタデータ） (2025-05-16T04:00:31Z)
• SmartAgent: Chain-of-User-Thought for Embodied Personalized Agent in Cyber World [50.937342998351426]
  COUT(Chain-of-User-Thought)は、新しい推論パラダイムである。 我々は、サイバー環境を認識し、パーソナライズされた要求を推論するエージェントフレームワークであるSmartAgentを紹介する。 我々の研究は、まずCOUTプロセスを定式化し、パーソナライズされたエージェント学習を具体化するための予備的な試みとして役立ちます。
  論文  参考訳（メタデータ） (2024-12-10T12:40:35Z)
• Identifying User Goals from UI Trajectories [19.492331502146886]
  観測されたUI軌道からタスク目標を識別する手法を提案する。 また,2つの意図記述をパラフレーズとみなすことができるかどうかを評価するための新しい評価手法を提案する。 このタスクをベンチマークするために、人間と最先端モデル、特にGPT-4とGemini-1.5 Proのパフォーマンスを比較した。
  論文  参考訳（メタデータ） (2024-06-20T13:46:10Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)

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。