論文の概要: Abstracting Cross-Domain Action Sequences into Interpretable Workflows

• arxiv url: http://arxiv.org/abs/2606.14654v1
• Date: Fri, 12 Jun 2026 17:19:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:43.009247
• Title: Abstracting Cross-Domain Action Sequences into Interpretable Workflows
• Title（参考訳）: クロスドメインアクションシーケンスを解釈可能なワークフローに抽象化する
• Authors: Gaurav Verma, Scott Counts,
• Abstract要約: これは、大きな言語モデルを使用して、低レベルのアクションシーケンスを高レベルのアクティビティに抽象化するフレームワークである。 私たちは、Viewが低レベルな行動データを高レベルで解釈可能で行動可能な洞察に変換するための、堅牢で効率的な道であることを示す。
• 参考スコア（独自算出の注目度）: 7.955301057114281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential or time-stamped interaction logs provide objective records of digital application usage, yet their granularity and noise often obscure meaningful insights into people's work. Such insights are essential for improving digital products in ways grounded in real-world user interactions. Prior research has applied deep learning models to cluster user actions into high-level activities, but these approaches are highly sensitive to noise and struggle to generalize across applications. To address this limitation, we introduce WorkflowView, a framework that uses large language models (LLMs) to abstract low-level action sequences into high-level activities. We establish the effectiveness and generality of our approach across three distinct, challenging sequential tasks and diverse domains: (a) zero-shot task description reconstruction from browser logs (achieving high semantic similarity, $μ_{sim} = 0.91$), (b) few-shot student dropout prediction using MOOC interaction logs (reaching weighted $F_1 = 0.90$ with only five few-shot examples), and (c) anonymized, privacy-preserving analysis of AI tool integration within document workflows in Microsoft Word. Our work demonstrates that LLM-based abstraction is a robust and efficient path forward for transforming low-level behavioral data into high-level, interpretable, and actionable insights. We also discuss practical considerations for deploying LLM-based inferences within logging infrastructures, including computational efficiency and user privacy.
• Abstract（参考訳）: 逐次的またはタイムスタンプ化されたインタラクションログは、デジタルアプリケーションの使用の客観的な記録を提供するが、その粒度とノイズは、人々の仕事に対する意味のある洞察を曖昧にしていることが多い。 このような洞察は、現実世界のユーザーインタラクションに根ざした方法でデジタル製品を改善するために不可欠である。 これまでの研究では、ユーザアクションをクラスタ化するためのディープラーニングモデルを高レベルなアクティビティに適用してきたが、これらのアプローチはノイズに非常に敏感であり、アプリケーション全体の一般化に苦慮している。 この制限に対処するために、我々は大規模な言語モデル(LLM)を使用して低レベルのアクションシーケンスを高レベルのアクティビティに抽象化するフレームワークであるWorkflowViewを紹介します。 3つの異なる、挑戦的なシーケンシャルなタスクと多様なドメインにまたがるアプローチの有効性と汎用性を確立します。 (a)ブラウザログからのゼロショットタスク記述の再構築($μ_{sim} = 0.91$) (b)MOOCインタラクションログを用いた少ショット学生のドロップアウト予測(わずか5つの例で重み付き$F_1 = 0.90$)、 (c) Microsoft Wordのドキュメントワークフロー内のAIツール統合の匿名化、プライバシ保護分析。 我々の研究は、LLMベースの抽象化が低レベルな行動データを高レベルで解釈可能で行動可能な洞察に変換するための、堅牢で効率的な経路であることを実証している。 また,計算効率やユーザプライバシなど,ロギングインフラストラクチャ内にLLMベースの推論をデプロイする上での実践的考察についても論じる。

関連論文リスト

• Small Models, Big Results: Achieving Superior Intent Extraction through Decomposition [8.584946920657517]
  本稿では,ユーザインタラクションの軌跡からユーザ意図を理解するための新しいアプローチを提案する。 構造化されたインタラクションの要約を行い、各ユーザアクションからキー情報をキャプチャする。 第2に,集計した要約をベースとした微調整モデルを用いて意図抽出を行う。
  論文  参考訳（メタデータ） (2025-09-15T20:20:30Z)
• Dynamic benchmarking framework for LLM-based conversational data capture [0.0]
  本稿では,大規模言語モデル(LLM)を評価するためのベンチマークフレームワークを提案する。 生成エージェントシミュレーションを統合して、情報抽出、コンテキスト認識、適応エンゲージメントといった重要次元のパフォーマンスを評価する。 その結果,不明瞭な応答を扱う場合,適応戦略によりデータの抽出精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-02-04T15:47:47Z)
• LLM-based Bi-level Multi-interest Learning Framework for Sequential Recommendation [54.396000434574454]
  本稿では,暗黙的行動と明示的意味論的視点を組み合わせた新しい多目的SRフレームワークを提案する。 Implicit Behavioral Interest ModuleとExplicit Semantic Interest Moduleの2つのモジュールが含まれている。 4つの実世界のデータセットの実験は、フレームワークの有効性と実用性を検証する。
  論文  参考訳（メタデータ） (2024-11-14T13:00:23Z)
• Benchmarking Agentic Workflow Generation [80.74757493266057]
  複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。 また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。 我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
  論文  参考訳（メタデータ） (2024-10-10T12:41:19Z)
• Understanding Large Language Model Behaviors through Interactive Counterfactual Generation and Analysis [22.755345889167934]
  本稿では,大規模言語モデル (LLM) の対実解析による探索を可能にする対話型可視化システムを提案する。 本システムは,意味論的に意味のある反事実を生成する新しいアルゴリズムを特徴とする。 LLM実践者とのユーザスタディと専門家とのインタビューは、システムのユーザビリティと有効性を示している。
  論文  参考訳（メタデータ） (2024-04-23T19:57:03Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)

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。