論文の概要: PEAM: On-device Communication Agent for Personalized, Efficient and Autonomous Mobile Network Configuration

• arxiv url: http://arxiv.org/abs/2610.14855v1
• Date: Sat, 10 Oct 2026 12:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.125679
• Title: PEAM: On-device Communication Agent for Personalized, Efficient and Autonomous Mobile Network Configuration
• Title（参考訳）: PEAM: パーソナライズされた、効率的で、自律的なモバイルネットワーク構成のためのオンデバイスコミュニケーションエージェント
• Abstract要約: PEAMは、デバイス上でLLMベースの通信エージェントであり、パーソナライズされたネットワーク構成ルールを自律的に生成する。 実験では、PEAMは99.13%の正確なネットワーク構成決定を達成するが、PEAMが生成したルールの92.50%は有効である。
• 参考スコア（独自算出の注目度）: 3.4773738032124073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growing deployment of compact large language models on smartphones is enabling autonomous on-device decision-making, such as emerging mobile GUI agents. However, many mobile decisions, such as network configuration when users switch apps or connectivity conditions change, must satisfy stringent latency constraints to preserve user experience. In this paper, we propose PEAM, an on-device LLM-based communication agent that autonomously generates personalized network-configuration rules executable within milliseconds. Specifically, PEAM first fine-tune the on-device LLM with a dataset constructed from manually annotated real-user data to integrate the communication knowledge into the local model. PEAM then operates in two phases. In the rule-generation phase, which is performed when the device is idle, such as overnight, PEAM analyzes historical network-configuration records in batches and reflects across batches to consolidate consistent evidence, reduce local bias, and derive robust configuration rules. To enable more accurate and stable rule generation over time, PEAM further constructs a user profile from high-confidence rules to capture the user's network preferences and incorporates this profile into each rule-generation cycle. In the rule-execution phase, PEAM is invoked when the communication context changes, such as when users switch apps or connectivity conditions change, and searches the rule library to identify and execute the appropriate rule. Experiments demonstrate that PEAM, based on a fine-tuned 4B model, achieves 99.13% correct network configuration decisions, while 92.50% of the rules generated by PEAM are valid, outperforming the traditional expert-rule based method by 4.41% and 84.50%, respectively.
• Abstract（参考訳）: スマートフォンへのコンパクトな大規模言語モデルの展開は、モバイルGUIエージェントのようなデバイス上での自律的な意思決定を可能にしている。 しかし、ユーザがアプリを切り替えたり、接続条件を変えたりする場合のネットワーク構成や、ユーザエクスペリエンスを維持するためには、レイテンシの制約を厳格に満たさなければならない。 本稿では,1ミリ秒以内で実行可能なパーソナライズされたネットワーク構成ルールを自律的に生成する,オンデバイスLCMベースの通信エージェントPEAMを提案する。 具体的には、PEAMはまず、手動でアノテートされた実ユーザデータから構築されたデータセットを使ってデバイス上のLCMを微調整し、通信知識をローカルモデルに統合する。 PEAMは2つのフェーズで運用される。 デバイスがアイドル状態の時に行われるルール生成フェーズでは、PEAMは過去のネットワーク構成記録をバッチで分析し、一貫したエビデンスを統合し、局所バイアスを低減し、堅牢な構成ルールを導出する。 PEAMは、時間とともにより正確で安定したルール生成を可能にするために、高信頼のルールからユーザプロファイルを構築し、ユーザのネットワークの好みをキャプチャし、このプロファイルを各ルール生成サイクルに組み込む。 ルール実行フェーズでは、ユーザがアプリや接続条件を変更するなど、通信コンテキストが変化するとPEAMが起動され、適切なルールを特定し実行するためにルールライブラリを検索する。 実験により、PEAMは細調整された4Bモデルに基づいて、99.13%の正確なネットワーク構成決定を達成し、一方、PEAMが生成するルールの92.50%は有効であり、従来のエキスパートルールベースの手法をそれぞれ4.41%、84.50%上回った。

関連論文リスト

• FleetPilot: Fine-Grained Steering Empowers Real-World LLM Personalization [51.242762264023675]
  Modelnameはきめ細やかなインスタンスに適したステアリングフレームワークです。 ユーザデータからサンプルレベルの干渉を生成し、モデルをフォワードパスに注入してパーソナライズする。 その結果,本手法は連続的に性能向上をもたらし,高速シフトおよびデータスパース環境において極めて優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2026-10-10T14:44:50Z)
• From Source Code to Network Profile: Automated and Traceable MUD Profile Generation for IoT Devices [86.57251613552715]
  ファームウェアとソフトウェアソースコードからIoTデバイス用のトレース可能なMUDプロファイルを生成する,ソースコード駆動のツールであるAutoMUDを紹介する。 コードレベルのエビデンスを分析することで、AutoMUDは、稀なエクササイズや条件付き通信パスを公開し、生成されたすべてのルールをソースレベルの証明にリンクし、除外された結果をレビューの明確な理由で保存する。
  論文  参考訳（メタデータ） (2026-09-25T17:52:09Z)
• LoRA-generating hypernetworks for efficient on-device LLM generative personalization [7.839385278616725]
  本稿では,デバイス上の大規模言語モデル(LLM)をパーソナライズするための新しい手法を提案する。 ハイパーネットワークをトレーニングして、ユーザのコンテキストトークンを、そのユーザに適したローランク適応(LoRA')にマッピングする。 トレーニングされた共通アーティファクトがユーザのデバイスにデプロイされると、各ユーザはハイパーネットワークを使用してパーソナライズされたLoRAを合成する。
  論文  参考訳（メタデータ） (2026-09-21T17:55:48Z)
• Beyond Retrieval: Learning Compact User Representations for Scalable LLM Personalization [9.496320762102252]
  ユーザの好みを学習可能な表現としてエンコードするフレームワークであるTAP-PERを提案する。 6つのLaMPタスクの実験では、TAP-PERはプロンプトベースとモデルベースベースラインを一貫して上回っている。 TAP-PERはユーザ毎のパラメータをOPPUの130倍少なくし、PER-PCSの総パラメータフットプリントの約半分をユーザスケールで使用している。
  論文  参考訳（メタデータ） (2026-06-03T07:32:18Z)
• 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)
• Instant Personalized Large Language Model Adaptation via Hypernetwork [56.512539596908745]
  Profile-to-PEFTは、ハイパーネットワークでトレーニングされたエンドツーエンドを使用して、ユーザのエンコードされたプロファイルを直接、アダプタパラメータの完全なセットにマッピングするスケーラブルなフレームワークである。 提案手法は,展開時に計算資源を著しく減らしながら,プロンプトベースのパーソナライゼーションとOPPUの両方に優れることを示す。
  論文  参考訳（メタデータ） (2025-10-18T00:41:25Z)
• A New Paradigm of User-Centric Wireless Communication Driven by Large Language Models [53.16213723669751]
  次世代の無線通信は、人工知能とユーザー中心の通信ネットワークを深く統合しようとしている。 本稿では,構造化クエリ言語に対する自然言語を革新的に取り入れた,無線通信のための新しいパラダイムを提案する。 本稿では,物理層における動的意味表現ネットワークを符号化深度に適応させてユーザ要求を満たすプロトタイプシステムを提案する。
  論文  参考訳（メタデータ） (2025-04-16T01:43:36Z)
• Context-Aware Configuration and Management of WiFi Direct Groups for Real Opportunistic Networks [6.18778092044887]
  WiFi Directは、ユーザのパーソナルデバイス間でのD2D接続の自律的生成を制限するいくつかの特徴を提示する。 WiFi Direct グループの効率的な構成と管理のための新しい Wi-layer プロトコルを提案する。 WFD-GMは、最適なグループ構成を作成するためのパラメータを考慮に入れたコンテキスト関数を定義する。
  論文  参考訳（メタデータ） (2023-07-06T16:52:20Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。