論文の概要: AdaHome: An Adaptive Smart Home Assistant using Local Small Language Models

• arxiv url: http://arxiv.org/abs/2607.18034v2
• Date: Wed, 22 Jul 2026 02:42:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 16:42:31.631714
• Title: AdaHome: An Adaptive Smart Home Assistant using Local Small Language Models
• Title（参考訳）: AdaHome: 局所小言語モデルを用いた適応型スマートホームアシスタント
• Abstract要約: AdaHomeは、スマートホーム環境に小さな言語モデルをローカルにデプロイするために設計された適応型スマートホームアシスタントである。 AdaHomeは直接コマンド(86.7%)の精度を大幅に向上し、レイテンシを最大3$times$に下げる。 マルチターンシナリオでは、AdaHomeは88%の選好整合性を達成するが、プロンプト拡張ベースラインでは52.5%である。
• 参考スコア（独自算出の注目度）: 2.858111059971764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Smart home assistants interpret a wide range of user commands, from explicit device control to underspecified and preference dependent requests. While recent systems based on Large Language Models (LLMs) improve this capability, they often rely on heavyweight reasoning pipelines and cloud-based deployment, limiting their efficiency and suitability for resource-constrained environments, and raising privacy concerns. In addition, existing approaches provide limited support for stable long-term personalization. To address these issues, we present AdaHome, an adaptive smart home assistant designed for locally deployed small language models in smart home environments. Rather than applying complex reasoning uniformly, AdaHome introduces an intent-aware planning framework that dynamically routes commands either to straightforward prompt-based or lightweight reasoning-based components. For commands requiring interpretation, we adopt a Chain-of-Draft strategy to enable efficient and stable decision-making. To support personalization, we further propose a preference adaptation mechanism that learns from user feedback over time without requiring prompt augmentation or model retraining. We evaluate AdaHome against representative LLM-based baselines under a unified small model setting. AdaHome achieves substantially higher accuracy on direct commands (86.7%) while reducing latency by up to 3$\times$. Furthermore, it maintains competitive performance on ambiguous inputs with lower computational cost. In multi-turn scenarios, AdaHome achieves 88% preference consistency, compared to 52.5% for a prompt augmentation baseline.
• Abstract（参考訳）: スマートホームアシスタントは、明示的なデバイス制御から不特定で優先的な要求まで、幅広いユーザコマンドを解釈する。 LLM(Large Language Models)に基づく最近のシステムは、この機能を改善する一方で、重厚な推論パイプラインとクラウドベースのデプロイメントに依存し、リソース制約のある環境に対する効率性と適合性を制限し、プライバシの懸念を高めることも多い。 さらに、既存のアプローチは、安定した長期パーソナライズのための限定的なサポートを提供する。 これらの問題に対処するために、スマートホーム環境に小さな言語モデルをローカルにデプロイするために設計された適応型スマートホームアシスタントであるAdaHomeを紹介する。 複雑な推論を均一に適用する代わりに、AdaHomeはインテント対応の計画フレームワークを導入している。 解釈を必要とするコマンドに対しては、効率的で安定した意思決定を可能にするために、Chain-of-Draft戦略を採用します。 パーソナライズを支援するために,ユーザのフィードバックから学習する嗜好適応機構も提案する。 我々はAdaHomeをLLMベースベースラインに対して統一された小型モデル設定で評価する。 AdaHomeは直接コマンド(86.7%)の精度を大幅に向上し、レイテンシを最大3$\times$に下げる。 さらに、計算コストの低い曖昧な入力に対する競合性能も維持する。 マルチターンシナリオでは、AdaHomeは88%の選好整合性を達成するが、プロンプト拡張ベースラインでは52.5%である。

関連論文リスト

• Don't Start Over: A Cost-Effective Framework for Migrating Personalized Prompts Between LLMs [51.79252689855809]
  LLM(Large Language Models)におけるパーソナライゼーションは、しばしばユーザ固有のソフトプロンプトに依存する。 非互換モデル間でパーソナライズされたプロンプトを効率的に移行するフレームワークであるPrompt-level User Migration Adapter (PUMA)を提案する。 3つの大規模データセットの実験では、我々の手法が一致しているか、あるいはスクラッチから再トレーニングのパフォーマンスを上回り、計算コストを最大98%削減する。
  論文  参考訳（メタデータ） (2026-01-17T12:30:31Z)
• 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)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• 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)
• AgentCPM-GUI: Building Mobile-Use Agents with Reinforcement Fine-Tuning [82.42421823672954]
  AgentCPM-GUIは、堅牢で効率的なオンデバイスGUIインタラクションのために構築されている。 私たちのトレーニングパイプラインには、知覚を高めるためのグラウンドアウェア事前トレーニングが含まれています。 AgentCPM-GUIは5つの公開ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-06-02T07:30:29Z)
• EfficientLLaVA:Generalizable Auto-Pruning for Large Vision-language Models [64.18350535770357]
  マルチモーダル推論の効率を高めるために,大規模視覚言語モデルの自動プルーニング手法を提案する。 提案手法では,所望のプルーニングポリシーを探索するために,少数のサンプルのみを活用する。 視覚的質問応答のためのScienceQA, Vizwiz, MM-vet, LLaVA-Benchデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2025-03-19T16:07:04Z)
• UC-MOA: Utility-Conditioned Multi-Objective Alignment for Distributional Pareto-Optimality [52.49062565901046]
  Reinforcement Learning from Human Feedback (RLHF) は、大きな言語モデルと人間の価値を整合させる基盤となっている。 既存のアプローチは、人間の好みの多次元、分布的なニュアンスを捉えるのに苦労している。 本稿では,これらの制約を克服する新しいフレームワークであるUtility-Conditioned Multi-Objective Alignment (UC-MOA)を紹介する。
  論文  参考訳（メタデータ） (2025-03-10T09:52:42Z)
• Division-of-Thoughts: Harnessing Hybrid Language Model Synergy for Efficient On-Device Agents [5.566936703366701]
  Division-of-Thoughts(DoT)は、ローカルとクラウドベースの言語モデル間のシナジーを活用する共同推論フレームワークである。 DoTは平均推論時間とAPIコストを66.12%と83.57%削減し、最高のベースライン手法で同等の推論精度を達成している。
  論文  参考訳（メタデータ） (2025-02-06T02:40:25Z)
• Compressing Large Language Models with Automated Sub-Network Search [41.452512557226335]
  我々は、下流タスク性能を改善しつつ、モデルサイズの削減を図るため、大規模言語モデルに対するモデル圧縮を検討する。 我々はこれを、構造的コンポーネントを自動生成するニューラルネットワーク探索問題と表現する。 本手法は,11種類のダウンストリームタスクに対して平均9.85%の改善を実現し,デバイス上でのレイテンシを最大22%改善する。
  論文  参考訳（メタデータ） (2024-10-09T02:14:39Z)
• Leveraging Large Language Models for enhanced personalised user experience in Smart Homes [1.3759865690793474]
  本稿では,Large Language Models(LLM)とユーザ嗜好を活用した,独自のスマートホームアーキテクチャを提案する。 提案手法の利点は, 様々なLLM実装との比較解析と同様に, 一連のシナリオで示される。 いくつかの指標は、システムの快適さ、安全性、ユーザの好みを維持する能力を決定するために評価される。
  論文  参考訳（メタデータ） (2024-06-28T07:08:20Z)

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。