論文の概要: From UI to Code: Mobile Ads Detection via LLM-Unified Static-Dynamic Analysis
- arxiv url: http://arxiv.org/abs/2604.03561v1
- Date: Sat, 04 Apr 2026 03:04:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.641745
- Title: From UI to Code: Mobile Ads Detection via LLM-Unified Static-Dynamic Analysis
- Title（参考訳）: UIからコードへ:LLM統合静的動的解析によるモバイル広告検出
- Authors: Shang Ma, Wei Cheng, Yanfang Ye, Xusheng Xiao,
- Abstract要約: ADWISEは、モバイル広告検出をLLM誘導、広告指向UI探索として定式化するフレームワークである。
ADWISEは、まず静的なプログラム分析を行い、広告の配置に使用されるUIウィジェットを特定します。
ADWISEは広告ウィジェットの検出において最先端のベースラインを25.60%上回っている。
- 参考スコア（独自算出の注目度）: 21.13861921564872
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile advertisements (ads) are essential to the app economy, yet detecting them is challenging because ad content is dynamically fetched from remote servers and rendered through diverse user interfaces (UIs), making ads difficult to locate and trigger at runtime. To address this challenge, we present ADWISE, a novel framework that formulates mobile ads detection as LLM-guided, ad-oriented UI exploration. ADWISE first performs static program analysis to identify UI widgets used to place ads, which we call ad widgets. It then uses a grounded LLM reasoning loop to navigate toward and trigger these widgets under three complementary domain guidance signals: (1) WTG-based guidance, which provides global transition priors from a statically constructed window transition graph (WTG); (2) semantic guidance, which reasons over app functionality to prioritize user-likely interaction paths; and (3) structural guidance, which applies retrieval-augmented generation to match the current UI against recurring ad-heavy layouts from a knowledge base. By combining static program analysis with LLM-based reasoning over UI structure, app semantics, and retrieved analogies, ADWISE enables more effective ads detection in complex mobile UIs. Experiments on 100 benchmark apps show that ADWISE outperforms state-of-the-art baselines by 25.60% in ad widget detection. In addition, ADWISE uncovers 34.34% more ad regulation violations across six categories, directly benefiting downstream ad regulation.
- Abstract（参考訳）: モバイル広告(ad)はアプリ経済にとって不可欠だが、広告コンテンツはリモートサーバから動的にフェッチされ、多様なユーザーインターフェース(UI)を通してレンダリングされるため、実行時に広告を見つけるのが難しくなるため、それらを検出することは難しい。
この課題に対処するために,モバイル広告検出を LLM 誘導,広告指向 UI 探索として定式化する新しいフレームワーク ADWISE を提案する。
ADWISEは、まず静的なプログラム分析を行い、広告の配置に使用されるUIウィジェットを特定します。
1) WTGベースのガイダンスは、静的に構築されたウィンドウ遷移グラフ(WTG)からグローバルな遷移先を提供する。2) セマンティックガイダンスは、アプリの機能を優先してユーザのようなインタラクションパスを優先順位付けする。
静的プログラム解析とLLMベースの推論をUI構造、アプリセマンティクス、検索されたアナロジーと組み合わせることで、ADWISEは複雑なモバイルUIでより効果的な広告検出を可能にする。
100のベンチマークアプリでの実験では、ADWISEは最先端のベースラインを25.60%上回っている。
さらに、ADWISEは6つのカテゴリーで34.34%の広告規制違反を明らかにし、下流の広告規制に直接利益をもたらす。
関連論文リスト
- GUIDE: Resolving Domain Bias in GUI Agents through Real-Time Web Video Retrieval and Plug-and-Play Annotation [27.67914789321192]
Guideは、GUIエージェントのドメインバイアスを解決する、トレーニング不要のプラグイン・アンド・プレイフレームワークである。
Webチュートリアルビデオからドメイン固有の専門知識を自律的に取得する。
モデルパラメータやアーキテクチャを変更することなく、一貫して5%以上の改善が得られます。
論文 参考訳（メタデータ） (2026-03-27T10:33:08Z) - MANA: Towards Efficient Mobile Ad Detection via Multimodal Agentic UI Navigation [28.21505173665395]
本稿では,モバイル広告検出のためのエージェント型マルチモーダル推論フレームワークであるMANAを紹介する。
我々は200以上の商用スマートフォン上でMANAを実装し評価し、最先端の精度と効率を達成する。
論文 参考訳（メタデータ） (2026-03-20T12:19:41Z) - RISER: Orchestrating Latent Reasoning Skills for Adaptive Activation Steering [62.63376387138257]
本稿では,アクティベーション空間における大規模言語モデル(LLM)推論を適応的に制御するプラグイン・アンド・プレイ介入フレームワークを提案する。
RISERは再利用可能な推論ベクトルのライブラリを構築し、軽量ルータを使用して各入力に対して動的に構成する。
ルーターは、タスクレベルの報酬の下で強化学習を通じて最適化され、緊急かつ構成的な方法で潜在する認知的プリミティブを活性化する。
論文 参考訳（メタデータ） (2026-01-14T08:04:33Z) - Effective and Stealthy One-Shot Jailbreaks on Deployed Mobile Vision-Language Agents [29.62914440645731]
アプリ内のプロンプトインジェクションを活用する一発のjailbreak攻撃を提示する。
悪意のあるアプリはUIテキストに短いプロンプトを埋め込むが、エージェントがADBを介してUIを駆動すると明らかになる。
当社のフレームワークは,(1)悪質なアプリへのペイロードをエージェントの視覚入力として注入する低プライバシー認識チェーンターゲティング,(2)物理的タッチ属性を用いてエージェントを識別し,エージェント操作時にのみペイロードを公開するタッチベーストリガ,(3)ステルス誘導された文字レベルのワンショットプロンプトエフェクト,の3つの重要なコンポーネントから構成される。
論文 参考訳（メタデータ） (2025-10-09T05:34:57Z) - MobileGUI-RL: Advancing Mobile GUI Agent through Reinforcement Learning in Online Environment [63.62778707277929]
MobileGUI-RLは、オンライン環境でGUIエージェントをトレーニングするスケーラブルなフレームワークである。
自己探索とフィルタリングを通じて学習可能なタスクのカリキュラムを合成する。
GRPOをGUIナビゲーションに適応させ、軌道認識の利点と複合報酬を付与する。
論文 参考訳（メタデータ） (2025-07-08T07:07:53Z) - Beyond Syntax: Action Semantics Learning for App Agents [60.56331102288794]
アクションセマンティックス学習(ASL、Action Semantics Learning)は、学習目的が真理行動の意味を捉える学習フレームワークである。
ASLは既存のメソッドよりもApp Agentの精度と一般化を大幅に改善する。
論文 参考訳（メタデータ） (2025-06-21T12:08:19Z) - UI-TARS: Pioneering Automated GUI Interaction with Native Agents [58.18100825673032]
本稿では,GUIエージェントのネイティブモデルであるUI-TARSを紹介する。
OSWorldベンチマークでは、UI-TARSはスコアが24.6、50ステップが22.7、15ステップが22.7でクロード(それぞれ22.0と14.9)を上回っている。
論文 参考訳（メタデータ） (2025-01-21T17:48:10Z) - Grounded GUI Understanding for Vision-Based Spatial Intelligent Agent: Exemplified by Extended Reality Apps [39.56688889845037]
仮想現実感アプリのための最初のゼロショットcOntext-sensitive inteRactable GUI ElemeNT dEtectionフレームワークOrienterを提案する。
人間の振る舞いを模倣することで、OrienterはまずXRアプリケーションシーンの意味的コンテキストを観察し、理解し、次に検出を実行する。
論文 参考訳（メタデータ） (2024-09-17T00:58:00Z) - Autoregressive Queries for Adaptive Tracking with Spatio-TemporalTransformers [55.46413719810273]
リッチ時間情報は、視覚追跡における複雑なターゲットの出現に不可欠である。
提案手法は,6つの一般的な追跡ベンチマークにおいてトラッカーの性能を向上させる。
論文 参考訳（メタデータ） (2024-03-15T02:39:26Z)
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。