論文の概要: TRACE: Trajectory-robust Admission with Evidence Ordering for Efficient GUI Agents

• arxiv url: http://arxiv.org/abs/2609.10297v1
• Date: Wed, 09 Sep 2026 15:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.075969
• Title: TRACE: Trajectory-robust Admission with Evidence Ordering for Efficient GUI Agents
• Title（参考訳）: TRACE: 効率的なGUIエージェントのためのエビデンスオーダ付きトラジェクトリロバストアドミッション
• Abstract要約: トレーニング不要のビジュアルトークンプルーニングは、このコストを削減することができるが、キャッシュ再利用には基本的な制約が伴う。 我々は,emphtextbfTrajectory-textbfrobust textbfAdmission と textbfCoverage-aware textbfEvidence ordering のためのトレーニング不要フレームワーク textbfmethod を提案する。
• 参考スコア（独自算出の注目度）: 54.88208747581851
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: GUI agents accumulate high-resolution screenshots as the trajectory unfolds, increasing inference latency and memory usage. Training-free visual token pruning can reduce this cost, but cache reuse introduces a fundamental constraint. Once tokens are discarded, the corresponding visual evidence cannot be recovered without re-encoding. Pruning therefore becomes an \textit{irreversible admission decision} that must remain useful for unknown future targets while preserving coverage of operable regions under tight budgets. To address these challenges, we propose \textbf{\method{}}, a training-free framework for \emph{\textbf{T}rajectory-\textbf{r}obust \textbf{A}dmission and \textbf{C}overage-aware \textbf{E}vidence ordering}. Specifically, we combine a query-independent layout-derived interaction prior with instruction relevance and feature novelty to rank visual evidence according to both potential future utility and diversity. Then, we reserve part of the budget for native visual tokens distributed across the screen, repairing missing spatial coverage without breaking the ordering. Together, these mechanisms produce a nested token order, allowing retained visual evidence to shrink monotonically across budgets while remaining reusable throughout the trajectory. Finally, our monotone KV contraction incrementally contracts retired frames into compact session state, avoiding repeated visual encoding or pruning. Extensive experiments across six GUI benchmarks and diverse models verify the effectiveness of our proposed \method{} under tight budgets. The source code will be released.
• Abstract（参考訳）: GUIエージェントは、軌跡が広がるにつれて高解像度のスクリーンショットを蓄積し、推論遅延とメモリ使用量を増加させる。 トレーニング不要のビジュアルトークンプルーニングは、このコストを削減することができるが、キャッシュ再利用には基本的な制約が伴う。 トークンが破棄されると、対応する視覚的証拠は再エンコードなしでは回収できない。 したがって、プルーニングは、厳格な予算の下で操作可能な地域をカバーしながら、未知の将来のターゲットにとって有用でなければならない、‘textit{rereversible entry decision’ となる。 これらの課題に対処するために、 \emph{\textbf{T}rajectory-\textbf{r}obust \textbf{A}dmission と \textbf{C}overage-aware \textbf{E}vidence ordering} のためのトレーニングフリーフレームワークである \textbf{\method{}} を提案する。 具体的には、クエリ非依存のレイアウトに基づくインタラクションと、命令の関連性や特徴の新規性を組み合わせ、視覚的エビデンスを潜在的な実用性と多様性の両方に応じてランク付けする。 そして、画面全体に分散したネイティブな視覚トークンの予算の一部を確保し、注文を壊さずに空間的カバレッジの欠如を修復する。 これらの機構が組み合わさってネストされたトークン秩序を生じさせ、維持された視覚的証拠は予算全体にわたって単調に縮小し、軌道全体にわたって再利用可能なものとなる。 最後に, 単調なKV収縮は, 繰り返し発生する視覚的エンコーディングやプルーニングを回避し, 退化フレームをコンパクトなセッション状態に段階的に収縮させる。 6つのGUIベンチマークと多種多様なモデルによる大規模な実験により,厳密な予算下で提案した<method{}の有効性が検証された。 ソースコードはリリースされます。

関連論文リスト

• Less can be More: Relieving RAG Bottlenecks via Evidence Frontloading and Pressure-Adaptive Budgeting [3.685453775072903]
  上流の再ランク付けは、高いクエリ率や大規模な再ランクの予算の下で支配的なボトルネックとなる可能性があることを示す。 予算の見直しは、このボトルネックを和らげる可能性があるが、支持する証拠を減らし、リコールを低下させる可能性がある。 本報告では,textitevidence Frontloading と textitpressure-adaptive budgeting を組み合わせたトレーニングフリーフレームワーク textbftextsfPACE を提案する。
  論文  参考訳（メタデータ） (2026-08-25T20:10:06Z)
• Enhancing Software Engineering Through Closed-Loop Memory Optimization [50.418699819003486]
  ソフトウェア工学 (SE) エージェントにおけるメモリ拡張のためのクローズドループフレームワークである ours を紹介する。 タスクに依存しない textbf ベンチマークとアノテーションのない textbf 最適化信号としての有用性を確立する。 その結果、SEエージェントは設定によって常に改善され、成功率で$uparrow5.25%、解決効率で$uparrow4.63%という絶対的なゲインが得られることが示された。
  論文  参考訳（メタデータ） (2026-06-04T03:17:21Z)
• Learning to Solve, Forgetting to Retain: Correct-Set Turnover in RLVR [16.681943272535104]
  検証可能な報酬(RLVR)による強化学習は、大きな言語モデルの能力を向上させるが、見出し精度の向上は隠れたコストを隠蔽することが多い。 我々は、マスタされたプロンプトを追跡し、それを定期的に再導入して、過去のソリューションのモデルをtextbfremindに再導入するリテンション対応レビューメカニズムであるtextbfmethodを提案する。
  論文  参考訳（メタデータ） (2026-06-02T03:17:34Z)
• Affordance Agent Harness: Verification-Gated Skill Orchestration [45.231685718099264]
  Affordance groundingは、オープンワールドのシーンでエージェントがどこでどのように対話すべきかを特定する必要がある。 本稿では,エビデンスストアとコストコントロールを備えたクローズドループランタイムであるAffordance Agent Harnessを提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:45:16Z)
• Towards Joint Quantization and Token Pruning of Vision-Language Models [53.978753457744055]
  トークンプルーニングと低ビット量子化は、推論コストの削減を補完する。 我々は、低ビット推論と決定論的視覚トーケンプルーニングを統一する協調量子化&プルーニングフレームワークを提案する。 標準VLMベンチマークの実験では、同じ低ビット状態下でのステージワイドベースラインよりもロバスト性が改善された。
  論文  参考訳（メタデータ） (2026-04-19T08:18:29Z)
• Rethinking Token Reduction for Large Vision-Language Models [95.48478689025696]
  LVLM(Large-Language Models)は、視覚的理解と推論において優れているが、過度の視覚トークンは高い推論コストをもたらす。 一般化設計の限界を克服し,メタコンプレックスと呼ばれる学習に基づくプロンプト非依存型メタコンプレックスを提案する。
  論文  参考訳（メタデータ） (2026-03-23T08:40:08Z)
• Boosting Quantitive and Spatial Awareness for Zero-Shot Object Counting [21.127727991498244]
  Zero-shot Object counting (ZSOC) は、視覚的な見本を必要とせず、テキスト記述によって指定された任意のカテゴリのオブジェクトを列挙することを目的としている。 既存の手法では、微粒な量認識の欠如に悩まされ、粗い検索タスクとして数えられることが多い。 我々は,ロバストな空間的アンダーラインキャストアンダーラインアグリゲーションとアンダーラインインプリンダーラインを相乗化する新しいフレームワークであるtextbfQICAを提案する。
  論文  参考訳（メタデータ） (2026-03-17T05:32:09Z)
• ConsensusDrop: Fusing Visual and Cross-Modal Saliency for Efficient Vision Language Models [4.273730624882391]
  視覚言語モデル(VLM)は、LLMが数百のほとんど冗長な視覚トークンを処理するため、高価である。 いずれの信号も十分ではないことが示される: それらを融合することで、一意的な視覚トークン選択(ランキング)に比べて、一貫して性能が向上する。 textbfConsensusDropは、視覚エンコーダのサリエンシをクエリ対応のクロスアテンションと整合させることにより、アンフコンセンサスランキングを導出する、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T00:28:55Z)
• $A^3$: Attention-Aware Accurate KV Cache Fusion for Fast Large Language Model Serving [42.02864241423696]
  大きな言語モデル(LLM)は、長いコンテキストを処理する上で強力な能力を示している。 長いシーケンスを処理できるにもかかわらず、結果としてデコーディングのレイテンシとメモリオーバーヘッドは大きいままである。 KVキャッシュの再利用の最近の進歩は、これらのコストを軽減する可能性を示しているが、それでも顕著なパフォーマンス劣化に悩まされている。
  論文  参考訳（メタデータ） (2025-11-13T07:28:59Z)
• ZSPAPrune: Zero-Shot Prompt-Aware Token Pruning for Vision-Language Models [7.7352936204066]
  本稿では,タスク関連性と情報多様性のバランスとして,視覚トークンプルーニングをモデル化する新しいゼロショット手法を提案する。 本手法は,精度の低下を最小限に抑えて,最先端技術に適合または超越した性能を実現する。 これらのゲインには、GPUメモリフットプリントの大幅な削減と推論レイテンシが伴っている。
  論文  参考訳（メタデータ） (2025-10-20T06:18:47Z)
• QuantSparse: Comprehensively Compressing Video Diffusion Transformer with Model Quantization and Attention Sparsification [67.15451442018258]
  拡散変換器は素晴らしいビデオ生成能力を示すが、その計算とメモリの禁止コストは実際の展開を妨げる。 モデル量子化とアテンションスパシフィケーションは圧縮に有望な2つの方向であるが、それぞれがアグレッシブ圧縮の下で深刻な性能劣化を被っている。 モデル量子化と注意散布を統合した統合フレームワークである textbfQuantSparse を提案する。
  論文  参考訳（メタデータ） (2025-09-28T06:49:44Z)
• CODA: Repurposing Continuous VAEs for Discrete Tokenization [31.932323809073477]
  textbfCODA(textbfCOntinuous-to-textbfDiscrete textbfAdaptation)は、圧縮と離散化を分離するフレームワークである。 提案手法は,ImageNet 256$times$256ベンチマークにおいて,$mathbf0.43$と$mathbf1.34$を8倍,$16倍の圧縮で,100%のコードブック利用と注目すべき再構成FID(rFID)を実現している。
  論文  参考訳（メタデータ） (2025-03-22T12:59:00Z)
• Activation-aware Probe-Query: Effective Key-Value Retrieval for Long-Context LLMs Inference [56.71209737306054]
  我々は,プローブ-textbfQuery を動的に決定し,関連する textbfKV ペアを推論するために利用する,トレーニングフリーの textbfActivation-aware アプローチである textbfActQKV を提案する。 Long-Bench と $infty$ Benchmarks の実験では、競合する推論品質とリソース効率を備えた最先端のパフォーマンスが実証されている。
  論文  参考訳（メタデータ） (2025-02-19T08:50:44Z)
• Gumbel Reranking: Differentiable End-to-End Reranker Optimization [61.16471123356738]
  RAGシステムは関連する文書を識別するためにリランカーに依存している。 注釈付きクエリ-ドキュメントペアが不足しているため、これらのモデルの微調整は依然として難しい。 我々は,トレーニングと推論のギャップを最小限に抑えることを目的とした,リランカーのためのエンドツーエンドのトレーニングフレームワークであるGumbel Re rankを提案する。
  論文  参考訳（メタデータ） (2025-02-16T13:23:39Z)

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。