論文の概要: Relevance Does Not Imply Applicability: Experience Activation for Personal GUI Agents
- arxiv url: http://arxiv.org/abs/2609.33304v1
- Date: Sun, 27 Sep 2026 07:15:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 01:19:20.987333
- Title: Relevance Does Not Imply Applicability: Experience Activation for Personal GUI Agents
- Title（参考訳）: 関連性は適用性に影響を及ぼさない:パーソナルGUIエージェントのアクティベーション
- Abstract要約: 既存のアプローチはタスク関連履歴を取得し、ポリシーのコンテキストに追加する。
ExpActivatorは、現在の状況に適用可能なエクスペリエンスのみを活性化する、トレーニング不要のフレームワークである。
- 参考スコア（独自算出の注目度）: 18.598585125808448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personal Graphical User Interface (GUI) agents rely on interaction history to infer what a user wants from ambiguous instructions and to anticipate recurring routines. Existing approaches retrieve task-relevant history and append it to the policy's context, implicitly assuming that experience relevant to a task remains useful for each decision within it. We find that this help is largely spent at the first decision: retrieved history strongly improves the opening step of an episode, yet provides little sustained benefit over the remaining 90\% of steps, and offers weak guidance on whether a proactive suggestion is warranted. A relevant record may tell the agent where to begin, but not which past action applies to the current screen or whether a routine is due now. The underlying issue is that relevance does not imply applicability}: relevance is determined at the task level, whereas applicability depends on the situation at decision time. We therefore recast personalization as experience activation and introduce ExpActivator, a training-free framework that activates only the experience applicable to the current situation. During execution, ExpActivator matches each new screen to historical states in the frozen GUI backbone's latent space and supplies the corresponding action as a reference. Before execution, it activates a recurring intent only when the current time and scenario provide sufficient support, and otherwise abstains. Across four GUI backbones, ExpActivator improves within-trajectory step success by 28\% on average, achieves the best personalized execution on every backbone while using about one-fifth as many history tokens, and reaches approximately 2.3$\times$ the Matthews correlation coefficient of the strongest proactive baseline. Experience pays where it is activated, not where it is appended.
- Abstract（参考訳）: Personal Graphical User Interface (GUI) エージェントは、ユーザが不明瞭な指示から何を求めているのかを推測し、繰り返し発生するルーチンを予測するために、インタラクション履歴に依存する。
既存のアプローチはタスク関連履歴を取得し、それをポリシーのコンテキストに追加する。
回収された歴史はエピソードのオープニングステップを強く改善するが、残りの90%のステップに対して持続的な利益は得られず、前向きな提案が保証されているかどうかについて弱いガイダンスを提供する。
関連するレコードは、エージェントにどこから始めるべきかを知らせるが、過去のアクションが現在の画面に適用されるか、ルーチンが現在予定されているかどうかを知らせる。
関連性はタスクレベルで決定されるが、適用性は意思決定時の状況に依存する。
そこで我々は、パーソナライゼーションを体験活性化として再放送し、現在の状況に適用可能な体験のみを活性化するトレーニングフリーフレームワークExpActivatorを導入する。
実行中、ExpActivatorは凍結したGUIバックボーンの潜在空間内の各新しいスクリーンを履歴状態にマッチさせ、対応するアクションを参照として提供する。
実行前に、現在の時間とシナリオが十分なサポートを提供する場合にのみ、繰り返しインテントを起動する。
ExpActivatorは4つのGUIバックボーンで、軌道内ステップの成功を平均28\%改善し、履歴トークンの約5分の1を使用しながら、すべてのバックボーン上でパーソナライズされた最適な実行を実現し、最強のプロアクティブベースラインのマシューズ相関係数に対して約2.3$\timesである。
エクスペリエンスは、追加される場所ではなく、アクティベートされた場所を支払う。
関連論文リスト
- Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。
本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
論文 参考訳（メタデータ） (2026-09-23T03:23:34Z) - Intent-Driven Situation Tracking for User-Centric Multi-Turn Agents [4.138547191663224]
Intent-Driven situation states (IDSS) は、対話と並行して明示的な状況を維持する訓練不要のフレームワークである。
IDSSパースツールは、証明可能なエンティティと属性に返却され、ユーザの意図、必要な変数、制約、実行状態を追跡し、アクション実行可能性の更新のためにタスク制約に新しい事実を伝達する。
論文 参考訳（メタデータ） (2026-08-16T14:14:07Z) - From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions [63.13827503828231]
我々は、長期ユーザーインタラクションにおけるパーソナライズされたプロアクティブなエージェント動作を評価するためのベンチマークであるVitaBench 2.0を紹介する。
結果は、最先端のモデルでさえ、現実世界のパーソナライゼーションは非常に困難であることを示している。
論文 参考訳（メタデータ） (2026-05-26T15:07:38Z) - Mem-W: Latent Memory-Native GUI Agents [50.87647372904382]
本稿では,メモリをエージェントの連続的コンテキストの一部として扱う,潜在メモリネイティブなGUIエージェントであるMem-Wを紹介する。
4つのWebおよびモバイルナビゲーションベンチマークで、Mem-Wはさまざまなバックボーンとメモリ拡張ベースラインを一貫して改善している。
論文 参考訳（メタデータ） (2026-05-10T04:31:23Z) - Ask Only When Needed: Proactive Retrieval from Memory and Skills for Experience-Driven Lifelong Agents [21.029076711222917]
ProactAgentは、構造化経験ベース上でのプロアクティブ検索のための、経験駆動の生涯学習フレームワークである。
ExpOnEvoは、過去のインタラクションを、事実記憶、エピソード記憶、行動スキルを含む型付きリポジトリに整理することで、検索が関連するエビデンスと実行可能なガイダンスの両方を提供する。
ProactRLは、検索決定のためのステップレベルの監視を提供し、より良いタスク結果やより高い効率につながる場合にのみ、検索を奨励する。
論文 参考訳（メタデータ） (2026-04-22T13:50:55Z) - KnowU-Bench: Towards Interactive, Proactive, and Personalized Mobile Agent Evaluation [72.01173512175531]
KnowU-Benchはパーソナライズされたモバイルエージェントのためのオンラインベンチマークである。
42のGUIタスク、86のパーソナライズされたタスク、64のプロアクティブタスクをカバーしている。
明示的なタスク実行に優れるエージェントは、あいまいな指示の下で50%以下に低下する。
論文 参考訳（メタデータ） (2026-04-09T16:50:50Z) - PIRA-Bench: A Transition from Reactive GUI Agents to GUI-based Proactive Intent Recommendation Agents [32.98769345205729]
PIRA-Benchは、マルチモーダルな大規模言語モデル(MLLM)を、連続的、弱い教師付き視覚入力で評価するための新しいベンチマークである。
本稿では,複数のタスクスレッドを管理し,誤った視覚的入力を処理する汎用MLLMを実現する,メモリ対応の状態追跡フレームワークであるPIRFベースラインを提案する。
論文 参考訳（メタデータ） (2026-03-09T06:41:32Z) - HiconAgent: History Context-aware Policy Optimization for GUI Agents [44.7305249511765]
完全な履歴の使用は、過剰な計算オーバーヘッドと、無関係な情報への注意を喚起します。
ヒコンアジェント(HiconAgent)は、ヒストリー・コンテクスト・アウェア・ポリシー・オプティマイゼーションで訓練されたGUIエージェントである。
メインストリームのGUIナビゲーションベンチマークの実験は、強力なパフォーマンスを示している。
論文 参考訳（メタデータ） (2025-12-01T15:06:45Z) - Less is More: Empowering GUI Agent with Context-Aware Simplification [62.02157661751793]
我々は,SimpAgentと呼ばれる,効率的かつ効果的なGUIエージェントを構築するためのコンテキスト認識フレームワークを提案する。
上記のコンポーネントにより、SimpAgentは27%のFLOPを削減し、優れたGUIナビゲーション性能を実現する。
論文 参考訳（メタデータ） (2025-07-04T17:37:15Z) - Towards Rehearsal-Free Continual Relation Extraction: Capturing Within-Task Variance with Adaptive Prompting [2.818102173042532]
WAVE++は、プレフィックスチューニングとエキスパートの混在にインスパイアされた、新しいアプローチである。
タスク固有のプロンプトプールを導入し、多様なタスクの柔軟性と適応性を高めます。
我々は、よりリッチでグローバルなコンテキストを提供するラベル記述を組み込み、モデルが異なる関係をよりよく区別できるようにする。
論文 参考訳（メタデータ） (2025-05-20T05:22:17Z)
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。