論文の概要: In-Browser Agents for Search Assistance

• arxiv url: http://arxiv.org/abs/2601.09928v1
• Date: Wed, 14 Jan 2026 23:18:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:18.917296
• Title: In-Browser Agents for Search Assistance
• Title（参考訳）: ブラウザ内エージェントによる検索支援
• Authors: Saber Zerhoudi, Michael Granitzer,
• Abstract要約: ウェブ検索におけるAI支援の需要とユーザーデータのプライバシーの必要性の間には、緊張関係がある。 ブラウザ内で実行可能な代替手段を提供するブラウザエクステンションを提示する。 以上の結果から,このプライバシ保護アプローチは個人の行動に適応する上で極めて有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 2.50369129460887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A fundamental tension exists between the demand for sophisticated AI assistance in web search and the need for user data privacy. Current centralized models require users to transmit sensitive browsing data to external services, which limits user control. In this paper, we present a browser extension that provides a viable in-browser alternative. We introduce a hybrid architecture that functions entirely on the client side, combining two components: (1) an adaptive probabilistic model that learns a user's behavioral policy from direct feedback, and (2) a Small Language Model (SLM), running in the browser, which is grounded by the probabilistic model to generate context-aware suggestions. To evaluate this approach, we conducted a three-week longitudinal user study with 18 participants. Our results show that this privacy-preserving approach is highly effective at adapting to individual user behavior, leading to measurably improved search efficiency. This work demonstrates that sophisticated AI assistance is achievable without compromising user privacy or data control.
• Abstract（参考訳）: Web検索における高度なAIアシストの需要と、ユーザデータのプライバシの必要性の間には、根本的な緊張関係がある。 現在の集中型モデルでは、ユーザが機密性の高いブラウジングデータを外部サービスに送信する必要があるため、ユーザコントロールが制限される。 本稿では,ブラウザ内で実行可能な代替手段を提供するブラウザエクステンションを提案する。 本研究では,(1)ユーザの行動方針を直接フィードバックから学習する適応確率モデル,(2)ブラウザ上で動作する小型言語モデル(SLM)の2つのコンポーネントを組み合わせて,クライアント側で完全に機能するハイブリッドアーキテクチャを提案する。 このアプローチを評価するため,18名の被験者を対象に3週間の縦断的研究を行った。 以上の結果から,このプライバシー保護手法は個々のユーザの行動に適応する上で極めて有効であることが示唆され,検索効率が向上した。 この研究は、高度なAIアシストがユーザのプライバシやデータコントロールを損なうことなく達成可能であることを実証している。

関連論文リスト

• What's the next frontier for Data-centric AI? Data Savvy Agents [71.76058707995398]
  我々は、エージェントシステムの設計において、データに精通する能力が最優先すべきであると主張している。 本稿では,このビジョンを実現するための4つの重要な機能を提案する。プロアクティブデータ取得,ソフシフィケートデータ処理,インタラクティブテストデータ合成,連続的適応。
  論文  参考訳（メタデータ） (2025-11-02T17:09:29Z)
• DNS Query Forgery: A Client-Side Defense Against Mobile App Traffic Profiling [0.7619637511583491]
  モバイルアプリケーションはDNSクエリを生成し、通信が暗号化された場合でもユーザの行動パターンを明らかにする。 本稿では,ユーザをプロファイリングの試みから保護するために,クエリ偽造に基づくプライバシ強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-14T13:25:19Z)
• PersonaBench: Evaluating AI Models on Understanding Personal Information through Accessing (Synthetic) Private User Data [76.21047984886273]
  パーソナライゼーションは、AIアシスタント、特に個々のユーザーと連携するプライベートAIモデルのコンテキストにおいて重要である。 このようなデータのセンシティブな性質のため、AIモデルのユーザ理解能力を評価するためのデータセットは公開されていない。 多様なユーザプロファイルを作成する合成データ生成パイプラインと、人間の活動をシミュレートするプライベートドキュメントを導入する。
  論文  参考訳（メタデータ） (2025-02-28T00:43:35Z)
• GOD model: Privacy Preserved AI School for Personal Assistant [3.3015224434662396]
  私たちは、デバイス上でAIアシスタントをトレーニングし評価するためのセキュアでプライバシー保護のフレームワークであるGuardian of Data(GOD)を紹介します。 GODは、ユーザデータと自律性を保護しながら贈り物を推奨するなど、アシスタントがユーザニーズをいかに予測できるかを測定します。
  論文  参考訳（メタデータ） (2025-02-24T20:30:17Z)
• Collaborative Instance Object Navigation: Leveraging Uncertainty-Awareness to Minimize Human-Agent Dialogues [54.81155589931697]
  協調インスタンスオブジェクトナビゲーション(CoIN)は、エージェントがターゲットインスタンスに関する不確実性を積極的に解決する新しいタスク設定である。 未認識者に対するエージェント・ユーザインタラクション(AIUTA)の新たな学習自由化手法を提案する。 まず、オブジェクト検出時に、セルフクエチオナーモデルがエージェント内で自己対話を開始し、完全かつ正確な観察記述を得る。 インタラクショントリガーモジュールは、人間に質問するか、継続するか、ナビゲーションを停止するかを決定する。
  論文  参考訳（メタデータ） (2024-12-02T08:16:38Z)
• Federated Intrusion Detection for IoT with Heterogeneous Cohort Privacy [0.0]
  IoT(Internet of Things)デバイスはますます普及し、医療や輸送といった多くのアプリケーションドメインに影響を与える。 本研究では,このようなIoTデバイスのネットワーク上での侵入攻撃を検出するために,差分プライベート(DP)ニューラルネットワーク(NN)ベースのネットワーク侵入検出システム(NIDS)を検討する。 このドメインの既存のNNトレーニングソリューションは、プライバシの考慮を無視したり、すべてのユーザのプライバシー要件が均一であると仮定する。 クライアントのプライバシ要件が不均一である場合,非IDデータ分布を持つクライアントに対して,既存の差分プライベートメソッドの性能が低下することを示す。
  論文  参考訳（メタデータ） (2021-01-25T03:33:27Z)
• Conversational Document Prediction to Assist Customer Care Agents [24.759188825018665]
  本研究では,顧客ケア担当者がユーザニーズに役立てる文書の予測作業について検討する。 本研究では,その課題に対する技術深層学習(DL)と情報検索(IR)モデルについて検討する。
  論文  参考訳（メタデータ） (2020-10-05T19:53:41Z)
• Large-scale Hybrid Approach for Predicting User Satisfaction with Conversational Agents [28.668681892786264]
  ユーザの満足度を測定することは難しい課題であり、大規模な会話エージェントシステムの開発において重要な要素である。 人間のアノテーションに基づくアプローチは簡単に制御できるが、スケールするのは難しい。 新たなアプローチとして,会話エージェントシステムに埋め込まれたフィードバック誘導システムを通じて,ユーザの直接的なフィードバックを収集する手法がある。
  論文  参考訳（メタデータ） (2020-05-29T16:29:09Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。