論文の概要: Simulating the Resident: Generating Executable Smart Home Schedules via LLM Personas

• arxiv url: http://arxiv.org/abs/2607.08231v1
• Date: Thu, 09 Jul 2026 08:26:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.466509
• Title: Simulating the Resident: Generating Executable Smart Home Schedules via LLM Personas
• Title（参考訳）: 居住者のシミュレーション: LLMペルソナによる実行可能なスマートホームスケジューリングの生成
• Abstract要約: シミュレーションされたスマートホームと対話する多様な個人をLCMを用いて生成することを提案する。 本研究では,(1)5つの社会技術次元にまたがる模擬世帯構成の枠組み,(2)構造化された実行可能なデバイスインタラクションスケジュールを生成する多段階LCMパイプライン,(3)実現可能性を示す概念実証について述べる。 進行中の作業として、私たちは、侵入的な現実世界のデータ収集に頼ることなく、スケーラブルでプライバシを重視したスマートホームの実験をサポートすることを目指しています。
• 参考スコア（独自算出の注目度）: 1.1666234644810893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smart homes have emerged as an important domain for HCI research, including work on usable security and privacy. Ideally, studies in these areas draw on datasets collected in real homes with real residents, capturing authentic device interactions, network traffic, and daily routines. However, creating such datasets is slow, expensive, and raises significant privacy concerns, as it requires long-term observation of people in their most private spaces. We propose using LLMs to generate diverse resident personas that interact with a simulated smart home, producing behaviorally grounded interaction schedules that can be executed on physical testbeds. We present (1) a design framework configuring simulated households across five socio-technical dimensions, (2) a multi-stage LLM pipeline that produces structured, executable device interaction schedules, and (3) a proof of concept demonstrating feasibility. As a work in progress, we aim to support scalable, privacy-conscious smart-home experimentation without relying on intrusive real-world data collection.
• Abstract（参考訳）: スマートホームは、使用可能なセキュリティやプライバシなど、HCI研究の重要な領域として現れています。 理想的には、これらの領域における研究は、実際の居住者と実際の家庭で収集されたデータセットに基づいて、デバイス間の相互作用、ネットワークトラフィック、日々のルーチンをキャプチャする。 しかし、そのようなデータセットの作成は遅く、高価であり、最もプライベートな空間にいる人々の長期的な観察を必要とするため、プライバシー上の重大な懸念を生じさせる。 シミュレーションされたスマートホームと対話する多様な個人をLCMを用いて生成し、物理的テストベッド上で実行可能な行動的接地型対話スケジュールを作成することを提案する。 本研究では,(1)5つの社会技術次元にまたがるシミュレートされた世帯を構成した設計枠組み,(2)構造化された実行可能なデバイスインタラクションスケジュールを生成する多段階LCMパイプライン,(3)実現可能性を示す概念実証について述べる。 進行中の作業として、私たちは、侵入的な現実世界のデータ収集に頼ることなく、スケーラブルでプライバシを重視したスマートホームの実験をサポートすることを目指しています。

関連論文リスト

• SMH-Bench: Benchmarking LLM Agents for Environment-Grounded Reasoning and Action in Smart Homes [21.9224048962238]
  スマートホーム環境におけるLarge Language Models (LLM) の評価のための総合ベンチマークであるSMH-Benchを紹介する。 HomeEnvは、実行可能で検証可能なスマートホームシミュレータで、SMH-Benchは7つのカテゴリと22のきめ細かいサブカテゴリにまたがる1,100の高品質なタスクを含んでいる。
  論文  参考訳（メタデータ） (2026-06-01T08:48:15Z)
• DomusFM: A Foundation Model for Smart-Home Sensor Data [11.28458211143065]
  スマートホームセンサデータ用に設計・事前訓練された最初の基礎モデルであるDomusFMを紹介する。 DomusFMはトークンレベルのセマンティック属性とシーケンスレベルの時間的依存関係の両方をキャプチャするために、自己教師付きデュアルコントラスト学習パラダイムを採用している。 実世界のスマートホームシステムの実践的デプロイ性を維持しながら,データの不足に対処する。
  論文  参考訳（メタデータ） (2026-02-02T10:16:34Z)
• TongSIM: A General Platform for Simulating Intelligent Machines [59.27575233453533]
  エボディード・インテリジェンス(Embodied Intelligence)は、現実的なシミュレートされた環境における訓練エージェントに焦点を当てる。 TongSIMは、エンボディエージェントのトレーニングと評価のための高忠実で汎用的なプラットフォームである。
  論文  参考訳（メタデータ） (2025-12-23T10:00:43Z)
• SimuHome: A Temporal- and Environment-Aware Benchmark for Smart Home LLM Agents [10.925787133867951]
  SimuHomeは、スマートデバイスをシミュレートし、APIコールをサポートし、環境変数の変更を反映する時間短縮ホーム環境である。 SimuHomeは高忠実な環境を提供し、SimuHomeで検証されたエージェントは、最小限の適応で実際のMatter準拠のデバイスにデプロイできる。 統合されたReActフレームワーク下での11エージェントの評価では、モデルが単純なタスクでうまく機能する一方で、潜在意図推論、状態検証、特に時間的スケジューリングに苦労していることが判明した。
  論文  参考訳（メタデータ） (2025-09-29T04:54:20Z)
• AgentSense: Virtual Sensor Data Generation Using LLM Agents in Simulated Home Environments [2.9698967396161624]
  我々は、内的世界モデルによって導かれる模擬環境の中で知覚し、行動する、具体化されたAIエージェント-仮想エージェントのアイデアを活用する。 我々はAgentSenseを紹介した。これは仮想データ生成パイプラインで、エージェントはシミュレーションされたスマートホームで毎日のルーチンを生活する。 われわれのアプローチは、現実世界の多様性を反映したリッチでプライバシー保護のセンサーデータを生成する。
  論文  参考訳（メタデータ） (2025-06-13T13:31:08Z)
• OPeRA: A Dataset of Observation, Persona, Rationale, and Action for Evaluating LLMs on Human Online Shopping Behavior Simulation [56.47029531207105]
  OPERAは、ユーザペルソナ、ブラウザの観察、きめ細かいWebアクション、そして自己報告されたジャストインタイム論理を包括的にキャプチャする最初のパブリックデータセットである。 我々は,現在のLCMがユーザの次の行動と合理的性をどの程度予測できるかを評価するための最初のベンチマークを確立する。
  論文  参考訳（メタデータ） (2025-06-05T21:37:49Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。