論文の概要: Trail: Accurate Local Smart Home Control Using Decision Models

• arxiv url: http://arxiv.org/abs/2611.00610v1
• Date: Sat, 31 Oct 2026 04:13:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:28:43.750286
• Title: Trail: Accurate Local Smart Home Control Using Decision Models
• Title（参考訳）: 経路:決定モデルを用いた局所的スマートホーム制御の高精度化
• Abstract要約: オープンなコマンド生成を階層型決定で置き換える,完全にローカルなフレームワークであるTraceを紹介します。 Trailは、自宅のアクションスペースの自然な構造を利用して、実行時デバイスレジストリから派生した候補から部屋、デバイス、操作を選択する。 メモリを使用すると、Trailは以前のターンに依存するリクエストの75.6%を解決し、会話履歴が微調整されたベースラインでは42.5%である。
• 参考スコア（独自算出の注目度）: 6.248639750883805
• License:
• Abstract: Natural-language driven smart home control remains challenging: cloud-hosted Large Language Models (LLMs) raise privacy concerns, while local Small Language Models (SLMs) can generate invalid actions or misinterpret requests. We introduce Trail (Typed Registry-Anchored Inference for Language commands in Smart Homes), a fully local framework that replaces open-ended command generation with hierarchical typed decisions. Trail exploits the natural structure of a home's action space, selecting a room, device, and operation from candidates derived from the runtime device registry. This ensures valid actions while enabling confidence-based abstention when requests cannot be reliably resolved. We also design a structured memory module that uses typed decisions to support user preferences, device references, and multi-turn interactions. To evaluate Trail, we extend HomeBench and generate three datasets: Trek-Base, which tests natural-language variation; Trek-Robust, which evaluates robustness to changes in the home and its description; and Trek-Memory, which assesses conversational memory across multi-turn interactions. Trail achieves 85.3% accuracy on Trek-Robust versus 69.8% for a finetuned Qwen3.5-4B baseline, while remaining competitive on Trek-Base requests. With memory, Trail resolves 75.6% of the requests that depend on earlier turns, compared with 42.5% for the finetuned baseline given conversation history.
• Abstract（参考訳）: クラウドホストされたLarge Language Models(LLM)はプライバシの懸念を高め、ローカルのSLM(Small Language Models)は不正なアクションを生成したり、リクエストを誤解釈したりする。 オープンなコマンド生成を階層的な型付け決定に置き換える,完全にローカルなフレームワークであるTrace(Typed Registry-Anchored Inference for Language Command in Smart Homes)を紹介した。 Trailは、自宅のアクションスペースの自然な構造を利用して、実行時デバイスレジストリから派生した候補から部屋、デバイス、操作を選択する。 これにより、要求が確実に解決できない場合に、信頼性ベースの棄権を可能にすると同時に、有効なアクションが保証される。 また,ユーザの好み,デバイス参照,マルチターンインタラクションをサポートするために,型付き決定を用いた構造化メモリモジュールを設計する。 Trailを評価するために、HomeBenchを拡張して、3つのデータセットを生成する: 自然言語のバリエーションをテストするTrek-Base、ホームとその記述に対するロバストを評価するTrek-Robust、マルチターンインタラクション間の会話メモリを評価するTrek-Memory。 トレイルはトレク・ロバストでの精度85.3%、微調整されたQwen3.5-4Bベースラインでは69.8%、トレク・ベース要求では競争力を維持している。 メモリを使用すると、Trailは以前のターンに依存するリクエストの75.6%を解決し、会話履歴が微調整されたベースラインでは42.5%である。

関連論文リスト

• CypherTurn: A Multi-Turn Benchmark for Conversational Text-to-Cypher Evaluation and the Autonomy Divergence [3.8631093598731585]
  我々はCypherTurnを紹介した。CypherTurnは対話型テキスト・to・Cypher評価のための最初のベンチマークである。 導出オラクルプロトコルと完全自律エージェントプロトコルの下で15のモデルを評価する。 最高のモデルの実行精度は64.7%に過ぎず、セッションレベルの正確さは5%以下である。
  論文  参考訳（メタデータ） (2026-09-29T08:21:18Z)
• GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
  ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。 純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。 自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
  論文  参考訳（メタデータ） (2026-08-18T18:21:36Z)
• Mem-$π$: Adaptive Memory through Learning When and What to Generate [65.31077328444077]
  本稿では,大規模言語モデル(LLM)エージェントにおける適応メモリのためのフレームワークを提案する。 Mem-$は検索ベースとRL最適化メモリベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-05-20T17:51:05Z)
• A Semantic Autonomy Framework for VLM-Integrated Indoor Mobile Robots: Hybrid Deterministic Reasoning and Cross-Robot Adaptive Memory [5.2851376150891864]
  本稿では,セマンティックな屋内ナビゲーションのための6層参照フレームワークを提案する。 7ステップのパラメトリックリゾルバは、言語モデル、カメラ、GPUを呼び出すことなく0.1ミリ秒未満で88%の命令を処理する。 明示的なスコープ分類を持つ5カテゴリセマンティックメモリフレームワークは、クロスセッション学習とクロスロボット知識伝達を可能にする。
  論文  参考訳（メタデータ） (2026-05-04T12:27:03Z)
• 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)
• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• Hindsight is 20/20: Building Agent Memory that Retains, Recalls, and Reflects [11.300084544174894]
  エージェントメモリを推論のための構造化第1級基板として扱うメモリアーキテクチャであるHindsightを提案する。 情報の追加、アクセス、更新の方法を管理する3つのコア操作 – 保持、リコール、リフレクション – をサポートしている。 オープンソースの20Bモデルは、全文ベースラインで全体の精度を39%から83.6%に引き上げる。
  論文  参考訳（メタデータ） (2025-12-14T19:47:23Z)
• One Battle After Another: Probing LLMs' Limits on Multi-Turn Instruction Following with a Benchmark Evolving Framework [51.50565654314582]
  大規模言語モデルは、複数のトピックにまたがる対話を通して、ユーザの指示に従うことができる。 既存のベンチマークは、しばしば一定回数のターンに制限されるため、飽和の影響を受けにくく、ユーザのインタラクティブなエクスペリエンスを考慮できない。 マルチターン命令追従能力を評価するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T14:39:59Z)
• Structured Cognitive Loop for Behavioral Intelligence in Large Language Model Agents [0.0]
  既存のフレームワークは認知、記憶、制御をひとつのプロンプトで混ぜることが多く、一貫性と予測可能性を減らす。 構造化認知ループ (Structured Cognitive Loop, SCL) は、これらの機能を分離する代替アーキテクチャとして提案されている。 SCLの平均タスク成功率は86.3%であり、ベースラインは70.5から76.8%である。
  論文  参考訳（メタデータ） (2025-09-23T17:43:17Z)

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。