論文の概要: PowerLens: Taming LLM Agents for Safe and Personalized Mobile Power Management

• arxiv url: http://arxiv.org/abs/2603.19584v1
• Date: Fri, 20 Mar 2026 02:57:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.952666
• Title: PowerLens: Taming LLM Agents for Safe and Personalized Mobile Power Management
• Title（参考訳）: PowerLens: 安全でパーソナライズされたモバイル電力管理のためのLLMエージェントを開発
• Authors: Xingyu Feng, Chang Sun, Yuzhu Wang, Zhangbing Zhou, Chengwen Luo, Zhuangzhuang Chen, Xiaomin Ouyang, Huanqi Yang,
• Abstract要約: 我々は,Androidデバイス上での安全かつパーソナライズされたモバイル電力管理のために,Large Language Models(LLM)の推論能力を利用するPowerLensを提案する。 PowerLensは、ユーザコンテキストをセマンティクスから認識するマルチエージェントアーキテクチャを採用し、18のデバイスパラメータにわたって総合的なパワーポリシーを生成する。 ルートAndroidデバイスに関する大規模な実験によると、PowerLensは81.7%の動作精度と38.8%の省エネを実現している。
• 参考スコア（独自算出の注目度）: 16.72212329912929
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Battery life remains a critical challenge for mobile devices, yet existing power management mechanisms rely on static rules or coarse-grained heuristics that ignore user activities and personal preferences. We present PowerLens, a system that tames the reasoning power of Large Language Models (LLMs) for safe and personalized mobile power management on Android devices. The key idea is that LLMs' commonsense reasoning can bridge the semantic gap between user activities and system parameters, enabling zero-shot, context-aware policy generation that adapts to individual preferences through implicit feedback. PowerLens employs a multi-agent architecture that recognizes user context from UI semantics and generates holistic power policies across 18 device parameters. A PDL-based constraint framework verifies every action before execution, while a two-tier memory system learns individualized preferences from implicit user overrides through confidence-based distillation, requiring no explicit configuration and converging within 3--5 days. Extensive experiments on a rooted Android device show that PowerLens achieves 81.7% action accuracy and 38.8% energy saving over stock Android, outperforming rule-based and LLM-based baselines, with high user satisfaction, fast preference convergence, and strong safety guarantees, with the system itself consuming only 0.5% of daily battery capacity.
• Abstract（参考訳）: バッテリー寿命は依然としてモバイルデバイスにとって重要な課題だが、既存の電力管理メカニズムはユーザー活動や個人の好みを無視した静的なルールや粗い粒度のヒューリスティックに依存している。 我々は,Androidデバイス上での安全かつパーソナライズされたモバイル電力管理のために,Large Language Models(LLM)の推論能力を利用するPowerLensを提案する。 鍵となる考え方は、LLMの常識推論がユーザアクティビティとシステムパラメータ間のセマンティックなギャップを埋め、暗黙のフィードバックを通じて個人の好みに適応するゼロショットのコンテキスト対応ポリシー生成を可能にすることである。 PowerLensでは、UIセマンティクスからユーザコンテキストを認識し、18のデバイスパラメータにわたる全体的なパワーポリシーを生成するマルチエージェントアーキテクチャを採用している。 PDLベースの制約フレームワークは実行前のすべての動作を検証する一方、2階層のメモリシステムは、信頼に基づく蒸留を通じて暗黙のユーザオーバライドから個別化された好みを学習し、3～5日以内に明示的な構成や収束を必要としない。 ルートAndroidデバイスに関する大規模な実験によると、PowerLensは標準Androidの81.7%の動作精度と38.8%の省エネ、ルールベースとLCMベースのベースライン、高いユーザ満足度、高速な優先収束、強力な安全保証を達成し、システム自体が日々のバッテリー容量のわずか0.5%しか消費していない。

関連論文リスト

• AdaDrive: Self-Adaptive Slow-Fast System for Language-Grounded Autonomous Driving [71.55254573283793]
  既存のアプローチでは、Large Language Modelsを頻繁に起動し、過剰な計算オーバーヘッドを引き起こすか、固定スケジュールを使用するかのいずれかである。 我々は,LLMが意思決定にいつ,どのように貢献するかを最適に決定する,適応的に協調的なスローファストフレームワークであるAdaDriveを提案する。 AdaDriveは、リアルタイムのパフォーマンスを損なうことなく、意思決定の精度を最大化するフレキシブルでコンテキスト対応のフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-11-09T07:05:03Z)
• CoSteer: Collaborative Decoding-Time Personalization via Local Delta Steering [80.54309860395763]
  CoSteerは、ローカライズされたデルタステアリングを通じてデコード時のパーソナライズを可能にする、新しいコラボレーティブフレームワークである。 トークンレベルの最適化をオンライン学習問題として定式化し、ローカルデルタベクトルがリモートLLMのロジットを動的に調整する。 このアプローチは、生のデータや中間ベクトルではなく、最後のステアリングトークンのみを送信することで、プライバシを保護します。
  論文  参考訳（メタデータ） (2025-07-07T08:32:29Z)
• DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
  大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。 この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。 本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T05:01:09Z)
• 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)
• MELTing point: Mobile Evaluation of Language Transformers [8.238355633015068]
  大規模言語モデル(LLM)のモバイル実行の現状について検討する。 我々は,デバイス上でのLLMのヘッドレス実行とベンチマークをサポートする,独自の自動化インフラストラクチャMELTを開発した。 我々は、一般的な命令の微調整 LLM を評価し、それぞれのフレームワークを用いてエンドツーエンドおよび粒度の性能を計測する。
  論文  参考訳（メタデータ） (2024-03-19T15:51:21Z)
• SAGE: Smart home Agent with Grounded Execution [1.5256015470528725]
  SAGE(Smart Home Agent with Grounded Execution)は、ユーザがLSM制御された個別アクションのシーケンスをトリガーするスキームを使用することで、制限を克服する。 これらのアクションは、情報検索、ユーザとのインタラクション、デバイス状態の操作に使用することができる。 我々は,SAGEが75%の成功率を達成したスマートホームタスク50のベンチマークを紹介する。
  論文  参考訳（メタデータ） (2023-11-01T18:36:28Z)
• Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization [57.88118988775461]
  本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。 エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
  論文  参考訳（メタデータ） (2021-05-19T01:58:10Z)

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。