論文の概要: Efficient Personalization of Generative User Interfaces

• arxiv url: http://arxiv.org/abs/2604.09876v1
• Date: Fri, 10 Apr 2026 20:05:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.723801
• Title: Efficient Personalization of Generative User Interfaces
• Title（参考訳）: 生成ユーザインタフェースの効率的なパーソナライズ
• Authors: Yi-Hao Peng, Samarth Das, Jeffrey P. Bigham, Jason Wu,
• Abstract要約: 先行設計者の観点で新しいユーザを表現するための,サンプル効率の高いパーソナライズ手法を開発した。 技術的評価において、我々の嗜好モデルは、事前訓練されたUI評価器とより大きなマルチモーダルモデルの両方より優れている。 本研究は,プライオリティ評価の軽量化が,パーソナライズされた生成UIシステムのための実践的基盤となることを示唆している。
• 参考スコア（独自算出の注目度）: 17.40636742119123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative user interfaces (UIs) create new opportunities to adapt interfaces to individual users on demand, but personalization remains difficult because desirable UI properties are subjective, hard to articulate, and costly to infer from sparse feedback. We study this problem through a new dataset in which 20 trained designers each provide pairwise judgments over the same 600 generated UIs, enabling direct analysis of preference divergence. We find substantial disagreement across designers (average kappa = 0.25), and written rationales reveal that even when designers appeal to similar concepts such as hierarchy or cleanliness, designers differ in how they define, prioritize, and apply those concepts. Motivated by these findings, we develop a sample-efficient personalization method that represents a new user in terms of prior designers rather than a fixed rubric of design concepts. In a technical evaluation, our preference model outperforms both a pretrained UI evaluator and a larger multimodal model, and scales better with additional feedback. When used to personalize generation, it also produces interfaces preferred by 12 new designers over baseline approaches, including direct user prompting. Our findings suggest that lightweight preference elicitation can serve as a practical foundation for personalized generative UI systems.
• Abstract（参考訳）: 生成ユーザインターフェース(UI)は、需要に応じて個々のユーザに対してインターフェースを適用する新たな機会を生み出すが、望ましいUIプロパティは主観的で、明瞭で、スパースフィードバックからの推論に費用がかかるため、パーソナライゼーションは依然として困難である。 我々は、この問題を、20人の訓練されたデザイナーがそれぞれ同じ600のUIに対してペアワイズで判断し、好みのばらつきを直接分析できる新しいデータセットを通して研究する。 設計者間ではかなりの意見の相違(平均カッパ=0.25)が見られ、設計者が階層や清潔さといった類似した概念に訴えたとしても、設計者はそれらの概念をどのように定義し、優先順位付けし、適用するかが異なる。 これらの知見に触発されて,設計概念の固定的なルーリックではなく,先行設計者の観点から新しいユーザを表現した,サンプル効率の高いパーソナライズ手法を開発した。 技術的評価では、事前訓練されたUI評価器とより大規模なマルチモーダルモデルの両方より優れており、さらなるフィードバックでスケール性が向上する。 生成をパーソナライズするために使用すると、直接ユーザプロンプトを含むベースラインアプローチよりも、12人の新しいデザイナが好むインターフェースも生成する。 本研究は,プライオリティ評価の軽量化が,パーソナライズされた生成UIシステムのための実践的基盤となることを示唆している。

関連論文リスト

• DesignPref: Capturing Personal Preferences in Visual Design Generation [19.015205942741837]
  20人のプロデザイナーが注釈付けしたUIデザイン生成の12k対比較データセットであるDesignPrefを紹介した。 パーソナライズされたモデルは、個々のデザイナの好みを予測するために、集約されたベースラインモデルよりも一貫して優れていることを示す。 我々の研究は、パーソナライズされたビジュアルデザイン評価を研究する最初のデータセットを提供し、個人デザインの味をモデル化する将来の研究を支援する。
  論文  参考訳（メタデータ） (2025-11-25T17:19:10Z)
• MLLM as a UI Judge: Benchmarking Multimodal LLMs for Predicting Human Perception of User Interfaces [97.62557395494962]
  GPT-4o、Claude、Llamaを30のインターフェースでベンチマークするためにクラウドソーシングを使用します。 以上の結果から,MLLMは特定の次元において人間の嗜好を近似するが,他の次元では異なってしまうことが示唆された。
  論文  参考訳（メタデータ） (2025-10-09T20:00:41Z)
• Improving User Interface Generation Models from Designer Feedback [9.027073356362182]
  UI生成のパフォーマンス向上には,デザイナからのフィードバックが不可欠だ。 評価やランキングに基づく既存の手法は,設計者の理屈とよく一致していないことがわかった。
  論文  参考訳（メタデータ） (2025-09-20T19:02:53Z)
• Do MLLMs Capture How Interfaces Guide User Behavior? A Benchmark for Multimodal UI/UX Design Understanding [45.81445929920235]
  WeserUI-Benchは、モデルによるUI/UX設計のマルチモーダル理解を評価するための新しいベンチマークである。 現実世界のUIイメージペアは300種類あり、それぞれが実際の企業によって大規模にテストされた2つの設計版A/Bで構成されている。 このベンチマークでは,(1)A/Bテストで検証された勝者を予測することで,より効果的なUI/UX設計を選択すること,(2)モデルの勝者が,専門家の推論に従って,その有効性を説明することができること,の2つのコアタスクをサポートする。
  論文  参考訳（メタデータ） (2025-05-08T08:00:32Z)
• UIClip: A Data-driven Model for Assessing User Interface Design [20.66914084220734]
  ユーザインタフェースの設計品質と視覚的関連性を評価するための機械学習モデルUIClipを開発した。 UIClipがUI設計品質の即時評価に依存するダウンストリームアプリケーションをどのように促進するかを示す。
  論文  参考訳（メタデータ） (2024-04-18T20:43:08Z)
• Personalized Language Modeling from Personalized Human Feedback [45.16986573937782]
  パーソナライズされた大規模言語モデル(LLM)は、個々のユーザの好みに応答するように設計されている。 個人の好みを捉えるために軽量なユーザモデルを利用する効率的なフレームワークであるPersonalized-RLHFを提案する。 P-RLHF を用いて学習したパーソナライズされた LLM は,個々のユーザの好みとより密に一致した応答を生成する。
  論文  参考訳（メタデータ） (2024-02-06T04:18:58Z)
• VINS: Visual Search for Mobile User Interface Design [66.28088601689069]
  本稿では、UIイメージを入力として、視覚的に類似したデザイン例を検索するビジュアル検索フレームワークVINSを紹介する。 このフレームワークは、平均平均精度76.39%のUI検出を実現し、類似したUI設計をクエリする際の高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-02-10T01:46:33Z)

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。