論文の概要: How Many Pixels Is a Digit Worth? Place-Aware Coordinate Entropy for GUI Agent Confidence Estimation

• arxiv url: http://arxiv.org/abs/2609.24277v1
• Date: Mon, 21 Sep 2026 08:42:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.976721
• Title: How Many Pixels Is a Digit Worth? Place-Aware Coordinate Entropy for GUI Agent Confidence Estimation
• Title（参考訳）: GUIエージェント信頼度推定のための位置認識型コーディネートエントロピー(Digital-Aware Coordinate Entropy)
• Abstract要約: GUIエージェントは、クリック座標をDigital-tokenシーケンスとして予測するが、標準テキスト-LLM信頼推定手法は、間違ったクリックから正しいクリックをランク付けする。 境界ボックスの正しさは、しばしば下位の桁よりも上位の桁の方が重要である。 これをPACE(Place-Aware Coordinate Entropy)と呼ぶ。 ScreenSpot-ProとScreenSpot-v2の固定スケールエージェント全体で、PACEはAUROCとすべてのプライマリ比較において選択的な精度で勝利する。
• 参考スコア（独自算出の注目度）: 73.2163413577971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: GUI agents predict click coordinates as digit-token sequences, but standard text-LLM confidence estimation methods rank correct clicks from wrong ones only weakly. GUI-specific alternatives use K samples or new supervision, but still leave room for improvement. We trace part of this to place-value asymmetry: bounding-box correctness often makes higher-place digits more important than lower-place digits, so uniform aggregation weakens the signal that determines correctness. The fix is to weight each digit's Shannon entropy by its place value. We call this Place-Aware Coordinate Entropy (PACE). Across fixed-scale agents on ScreenSpot-Pro and ScreenSpot-v2, PACE wins both AUROC and selective accuracy on all primary comparisons in a single forward pass, matching or outperforming K-sample baselines at a fraction of the cost. PACE provides a per-click confidence estimate that turns coordinate-token internals into a practical confidence signal for GUI agent deployment.
• Abstract（参考訳）: GUIエージェントは、クリック座標をDigital-tokenシーケンスとして予測するが、標準テキスト-LLM信頼推定手法は、間違ったクリックから正しいクリックをランク付けする。 GUI固有の代替手段は、Kサンプルまたは新しい監視を使用するが、改善の余地は残されている。 境界ボックスの正しさは、しばしば下位の桁よりも上位の桁の方が重要になるので、均一なアグリゲーションは正確性を決定するシグナルを弱める。 固定は各桁のシャノンエントロピーをその位置値で重み付けすることである。 これをPlace-Aware Coordinate Entropy(PACE)と呼ぶ。 ScreenSpot-ProとScreenSpot-v2の固定スケールエージェント全体で、PACEはAUROCと選択精度の両方を1回のフォワードパスで比較し、Kサンプルベースラインをわずかなコストでマッチングまたは上回る。 PACEはクリック毎の信頼度を推定し、コーディネートした内部をGUIエージェントのデプロイのための実用的な信頼信号に変換する。

関連論文リスト

• Learning from Reliable Negatives: Confidence-Anchored Test-Time Adaptation for GUI Grounding [42.10524107620523]
  座標トークンの信頼性パターンは、フルシーケンスの信頼性よりも優れた指標である。 負のサンプルは、潜在的にノイズの多いポジティブな信号よりも、より信頼性の高い学習信号を提供する。 本研究は,GUIエージェント開発のための手動アノテーションの強力な代替手段として,コーディネート・ツー・ケント・インテリジェンスを確立した。
  論文  参考訳（メタデータ） (2026-09-14T09:56:10Z)
• SimFuse3D: Source-Guided Target Simulation and Confidence-Guided Multi-Stage Localization Reweighting for Cross-Platform 3D Object Detection [14.526062661334437]
  センサ高さと視点の変化は、オブジェクトレベルの点分布を変化させ、クロスプラットフォームのLiDAR非教師なし領域適応を困難にする。 そこで,SimFuse3Dを導入し,ラベル付きソーススキャンから計測した幾何を用いて,対象の配置を保存し,関連する擬似オブジェクトを修復する。
  論文  参考訳（メタデータ） (2026-09-04T08:41:56Z)
• Trust the Right Teacher: Quality-Aware Self-Distillation for GUI Grounding [39.58236772917555]
  VLMに基づくGUI接地のための品質認識型自己蒸留法を提案する。 正当性に気付くゲーティングと教師の確率スケーリングにより、教師の信号品質を向上させる。 我々の手法は一貫してベースモデルを改善し、強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-16T16:02:41Z)
• UI-Zoomer: Uncertainty-Driven Adaptive Zoom-In for GUI Grounding [55.22866422166757]
  テストタイムズームイン法は、各ケースでモデルが実際に不確実かどうかを無視して、固定された作物サイズを持つすべてのインスタンスに対して一様に適用する。 トレーニング不要な適応型ズームインフレームワークである textbfUI-Zoomer を提案する。
  論文  参考訳（メタデータ） (2026-04-15T17:32:28Z)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• Sample Smart, Not Hard: Correctness-First Decoding for Better Reasoning in LLMs [72.82403830490084]
  我々は、復号規則は正確さによって校正されるべきであり、自信だけではならないと論じている。 Greedy-Threshold はこの目標を達成するための単純な戦略を提案します。 この結果から,不確実性の下での復号化が問題視され,数学や一般推論のベンチマークで有意な差がみられた。
  論文  参考訳（メタデータ） (2025-10-07T14:46:12Z)
• Improving GUI Grounding with Explicit Position-to-Coordinate Mapping [40.201918480639954]
  現在のアプローチでは、視覚的特徴から直接テキストトークンとして座標を生成するため、複雑な位置-画素マッピングを暗黙的に推論せざるを得ない。 我々はRULERトークンを明示的な座標マーカーとして提案し、モデル参照位置を地図上のグリッドラインに類似させ、スクラッチから座標を生成するのではなく調整する。 ScreenSpot、ScreenSpot-V2、ScreenSpot-Proの実験では、グラウンドの精度が一貫した向上を示し、高解像度インターフェースが最大の改善となった。
  論文  参考訳（メタデータ） (2025-10-03T17:59:34Z)
• Q-REG: End-to-End Trainable Point Cloud Registration with Surface Curvature [81.25511385257344]
  本稿では、リッチな幾何学的情報を用いて、単一の対応から剛性ポーズを推定する新しい解Q-REGを提案する。 Q-REGは、堅牢な推定を徹底的な探索として形式化し、エンドツーエンドのトレーニングを可能にする。 実験では、Q-REGは対応マッチング法に非依存であり、推論とエンドツーエンドトレーニングの両方で使用した場合に一貫した改善を提供する。
  論文  参考訳（メタデータ） (2023-09-27T20:58:53Z)
• Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
  Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
  論文  参考訳（メタデータ） (2021-07-08T15:19:36Z)

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。