論文の概要: Me-Agent: A Personalized Mobile Agent with Two-Level User Habit Learning for Enhanced Interaction

• arxiv url: http://arxiv.org/abs/2601.20162v1
• Date: Wed, 28 Jan 2026 01:44:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.71783
• Title: Me-Agent: A Personalized Mobile Agent with Two-Level User Habit Learning for Enhanced Interaction
• Title（参考訳）: Me-Agent: 対話強化のための2レベルユーザ・ハビット・ラーニングによる個人化モバイルエージェント
• Authors: Shuoxin Wang, Chang Liu, Gowen Loo, Lifan Zheng, Kaiwen Wei, Xinyi Zeng, Jingyuan Zhang, Yu Tian,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.029487905328004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLM)-based mobile agents have made significant performance advancements. However, these agents often follow explicit user instructions while overlooking personalized needs, leading to significant limitations for real users, particularly without personalized context: (1) inability to interpret ambiguous instructions, (2) lack of learning from user interaction history, and (3) failure to handle personalized instructions. To alleviate the above challenges, we propose Me-Agent, a learnable and memorable personalized mobile agent. Specifically, Me-Agent incorporates a two-level user habit learning approach. At the prompt level, we design a user preference learning strategy enhanced with a Personal Reward Model to improve personalization performance. At the memory level, we design a Hierarchical Preference Memory, which stores users' long-term memory and app-specific memory in different level memory. To validate the personalization capabilities of mobile agents, we introduce User FingerTip, a new benchmark featuring numerous ambiguous instructions for daily life. Extensive experiments on User FingerTip and general benchmarks demonstrate that Me-Agent achieves state-of-the-art performance in personalization while maintaining competitive instruction execution performance.
• Abstract（参考訳）: LLM(Large Language Model)ベースのモバイルエージェントは、大幅なパフォーマンス向上を実現している。 しかし、これらのエージェントは、パーソナライズされたニーズを見落としながら明示的なユーザ指示に従うことが多く、特にパーソナライズされたコンテキストを持たない実際のユーザにとって大きな制限となる:(1)あいまいな指示を解釈できないこと、(2)ユーザインタラクション履歴からの学習ができないこと、(3)パーソナライズされた命令を処理できないこと。 上記の課題を解決するために,学習可能で記憶に残るモバイルエージェントであるMe-Agentを提案する。 具体的には、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。 即時レベルでは、パーソナライズ性能を向上させるために、パーソナライズ・リワード・モデルにより強化されたユーザー嗜好学習戦略を設計する。 メモリレベルでは、ユーザの長期記憶とアプリ固有のメモリを異なるレベルのメモリに格納する階層的優先メモリを設計する。 モバイルエージェントのパーソナライズ機能を検証するために,日々の生活にあいまいな指示を多数含む新しいベンチマークであるUser FingerTipを紹介した。 User FingerTipと一般ベンチマークの大規模な実験により、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ことを示した。

関連論文リスト

• OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents [55.27061195244624]
  オーバーパーソナライゼーションを3つのタイプに分類する。 エージェントは不要な場合でも、ユーザメモリを取得およびオーバーアタッチする傾向があります。 我々の研究は、メモリ拡張対話システムにおいて、より制御可能で適切なパーソナライズに向けた最初の一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-01-20T08:27:13Z)
• PersonalAlign: Hierarchical Implicit Intent Alignment for Personalized GUI Agent with Long-Term User-Centric Records [67.68348568175718]
  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。
  論文  参考訳（メタデータ） (2026-01-14T17:12:48Z)
• PerPilot: Personalizing VLM-based Mobile Agents via Memory and Exploration [25.464268064728017]
  PerInstructは、さまざまなモバイルシナリオにまたがる多様なパーソナライズされたインストラクションをカバーする、新しい人間アノテーション付きデータセットである。 我々は,モバイルエージェントがパーソナライズされたユーザ命令を自律的に知覚し,理解し,実行できるようにする,大規模言語モデル(LLM)を利用したプラグイン・アンド・プレイフレームワークPerPilotを提案する。
  論文  参考訳（メタデータ） (2025-08-25T13:57:02Z)
• 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)
• Embodied Agents Meet Personalization: Investigating Challenges and Solutions Through the Lens of Memory Utilization [26.34637576545121]
  LLMを動力とするエンボディエージェントは、従来のオブジェクト配置タスクで成功している。 しかし、過去のインタラクションからユーザ固有の知識を活用するパーソナライズされた支援を提供することで、新たな課題が浮かび上がっている。 エージェントのメモリ利用のレンズを通してこれらの課題を考察する。
  論文  参考訳（メタデータ） (2025-05-22T08:00:10Z)
• 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)
• Reinforced Imitative Graph Learning for Mobile User Profiling [34.62314685532468]
  模倣に基づくモバイルユーザプロファイリングフレームワークを提案する。 ユーザのプロファイルに基づいてユーザのモビリティを模倣するように自律エージェントに教える目的を考えると,ユーザプロファイルが最も正確である。 ユーザがPOIを訪問するイベントは、エージェントがユーザのモビリティをより正確に予測するのに役立つ新しい状態を構築する。
  論文  参考訳（メタデータ） (2022-03-13T02:56:57Z)

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。