論文の概要: Subgoal-aware Memory Graph for GUI Agent

• arxiv url: http://arxiv.org/abs/2610.31307v1
• Date: Thu, 22 Oct 2026 14:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.397428
• Title: Subgoal-aware Memory Graph for GUI Agent
• Title（参考訳）: GUIエージェントのためのサブゴール対応メモリグラフ
• Abstract要約: 本稿では,過去のトラジェクトリを構造化した再利用可能な証拠に置き換えるサブゴール認識メモリグラフを提案する。 SPA-Benchでは,ベースラインよりも11.1%向上した。
• 参考スコア（独自算出の注目度）: 6.626859170533373
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: GUI agents aim to automate complex user tasks by interacting with mobile interfaces, but ef- fective decision-making in long-horizon set- tings requires reusing prior experience rather than relying solely on the environment ob- servations. Existing memory-based methods typically store experience either at the single- action level or as entire trajectories. Single- step actions are often too fine-grained to carry meaningful semantics, since the success of an individual action does not necessarily imply progress towards the overall goal. In contrast, whole trajectories are often too coarse-grained and difficult to reuse across different tasks. We propose a subgoal-aware memory graph that distils past trajectories into structured, reusable evidence at the level of subgoals. We define a subgoal as consecutive actions shar- ing a single intent, the granularity at which progress toward the task becomes meaning- ful. To reduce redundancy and support cross- task reuse, we organise subgoal experiences as nodes in a graph, where related memories can be merged, extended, and retrieved based on the environment observation. On SPA-Bench, our method improves success rate by 11.11% over the baseline.
• Abstract（参考訳）: GUIエージェントは、モバイルインターフェースと対話することで複雑なユーザタスクを自動化することを目的としているが、長期的な設定におけるエフェクティブな意思決定には、環境オブザーブレーションのみに依存するのではなく、事前の経験を再利用する必要がある。 既存のメモリベースのメソッドは、通常、エクスペリエンスをシングルアクションレベルまたは全トラジェクトリとして保存する。 個々のアクションの成功が必ずしも全体的な目標に向かって前進するとは限らないため、意味的な意味論を行うには、シングルステップのアクションは粒度が大きすぎることが多い。 対照的に、全体軌道はしばしば粗い粒度であり、異なるタスクをまたいだ再利用が困難である。 本稿では,過去のトラジェクトリを構造化した再利用可能な証拠に置き換えるサブゴール認識メモリグラフを提案する。 我々は、サブゴールを連続的な行動として定義する: 単一の意図、タスクの進行が意味のあるものとなる粒度 - フルである。 冗長性を低減し、タスク間の再利用を支援するため、環境観測に基づいて関連記憶をマージ、拡張、検索できるグラフ内のノードとしてサブゴール体験を編成する。 SPA-Benchでは,ベースラインよりも11.1%向上した。

関連論文リスト

• AdMem: Advanced Memory for Task-solving Agents [13.611633561917513]
  大規模言語モデル(LLM)はツール使用エージェントとしての約束を示すが、知識の記憶、整理、再利用を必要とする長期的タスクには制限がある。 本稿では,短期記憶と長期記憶を組み合わせた2段階設計において,セマンティック,エピソード,手続き記憶を統合した統合的・自動記憶フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-05T00:11:57Z)
• 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)
• SSMG-Nav: Enhancing Lifelong Object Navigation with Semantic Skeleton Memory Graph [13.132353682972315]
  textitSemantic Memory Graph (SSMG)上に構築されたオブジェクトナビゲーションのためのフレームワークであるSSMG-Navを紹介する。 SSMGは過去の観測を、トポロジカル・キーポイントによって固定された空間的に整列された永続記憶に集約する。 各サブグラフに対して、メモリから合成されたマルチモーダルプロンプトがVLMを誘導し、目的地に対する目標信念を推測する。
  論文  参考訳（メタデータ） (2026-03-02T12:48:00Z)
• UI-Mem: Self-Evolving Experience Memory for Online Reinforcement Learning in Mobile GUI Agents [50.053654092780825]
  オンライン強化学習(RL)は、直接的な環境相互作用を通じてGUIエージェントを強化するための有望なパラダイムを提供する。 階層的エクスペリエンスメモリによるGUIオンラインRLを強化する新しいフレームワークであるUI-Memを提案する。 UI-Memは従来のRLベースラインや静的再利用戦略よりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-02-05T16:21:43Z)
• Fine-Mem: Fine-Grained Feedback Alignment for Long-Horizon Memory Management [63.48041801851891]
  Fine-Memは、きめ細かいフィードバックアライメントのために設計された統一されたフレームワークである。 MemalphaとMemoryAgentBenchの実験は、Fin-Memが強いベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-01-13T11:06:17Z)
• Learning Rational Subgoals from Demonstrations and Instructions [71.86713748450363]
  本稿では,新しい目標を達成するための効率的な長期計画を支援する有用なサブゴール学習フレームワークを提案する。 我々のフレームワークの中核は合理的なサブゴール(RSG)の集合であり、基本的には環境状態上の二項分類器である。 目標記述が与えられた場合、学習したサブゴールと派生した依存関係は、A*やRTといった既成の計画アルゴリズムを促進する。
  論文  参考訳（メタデータ） (2023-03-09T18:39:22Z)
• Generalization with Lossy Affordances: Leveraging Broad Offline Data for Learning Visuomotor Tasks [65.23947618404046]
  本研究では,広範囲なデータを用いたオフライン強化学習を通じて,時間的拡張タスクの目標条件付きポリシを取得するフレームワークを提案する。 新たなタスク目標に直面した場合、フレームワークは余裕モデルを使用して、元のタスクをより簡単な問題に分解するサブゴールとして、損失のある表現のシーケンスを計画する。 我々は,従来の作業からロボット体験の大規模データセットを事前学習し,手動の報酬工学を使わずに視覚入力から,新しいタスクを効率的に微調整できることを実証した。
  論文  参考訳（メタデータ） (2022-10-12T21:46:38Z)

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。