目标应用选择:为移动设备构建统一搜索框架
本研究探索手机应用程序中的人工智能功能使用现状,总结了三种主要的交互模式类型,并实施了一个多方面的搜索启用画廊,研究结果表明了我们发现的有用性。
Jul, 2023
本文通过数据集分析、关键问题定位和用户反馈与隐私保护等多方面对 56682 款 AI 应用进行了研究,揭示了其中的不足之处,如模型保护不足,用户隐私数据泄露等,还提供了数据集以供未来研究引用。
Dec, 2022
从移动用户界面 (UI) 中提取语义表示并将这些表示用于设计师的决策过程已显示出成为有效的计算设计支持工具的潜力。我们采用大规模网络图像训练的视觉模型,以零 - shot 方式提取 UI 表示并超越现有专门模型,并使用数学基础的方法实现应用程序之间的检索和设计一致性分析。我们的实验表明,我们的方法不仅改进了以前的检索模型,还实现了多个新的应用。
Sep, 2023
该研究介绍了一种基于大型语言模型的多模态代理框架,旨在操作智能手机应用程序,通过简化的操作空间模拟人类的点击和滑动等交互,避免了系统后端访问的需求,并扩大了其适用性。代理的功能核心是其创新的学习方法,通过自主探索或观察人类示范学习并构建知识库以执行跨不同应用的复杂任务,通过在 10 个不同应用程序中进行 50 个任务的广泛测试,证明了代理在处理各种高级任务上的熟练程度。
Dec, 2023
本研究提出了一种接受直观且有背景的搜索查询的移动特性检索系统,通过对预训练语言模型进行对比学习,训练相关模型以感知查询嵌入和索引移动特性之间的上下文相关性,并通过知识蒸馏压缩模型以在设备上高效运行。通过与当前部署的搜索基准进行比较实验证实了我们方法的可行性,结果显示我们的系统在上下文句子查询和基于关键词的查询上均优于其他系统。
Jul, 2023
本研究通过针对 16,500 款最热门的 Android 应用程序的统计分析揭示了智能手机应用程序如何在自然环境中利用深度学习。研究发现,智能手机深度学习框架和应用程序的使用呈现出一种繁荣的趋势,但是仍需优化手机上运行的深度学习模型,保护这些模型并验证深度学习研究的想法。
Nov, 2018
智能手机已成为承载多种深度学习模型的中心,该研究介绍了一种新的移动人工智能范式,使用协同管理方法在移动操作系统和硬件之间实现一个基础模型,能够为各种移动人工智能任务提供服务。
Aug, 2023
使用移动应用的用户行为数据作为指标实现用户建模,通过 AutoEncoder-coupled Transformer 网络解决手工特征工程带来的人力成本问题,并展示了该网络在多个下游应用实验中嵌入用户的有效性。
May, 2020
本研究旨在探索不同的数据和架构驱动的语言建模方法,以构建一个单一应用程序不可知的模型,其优化了设备内存使用,同时保持了速度和准确性。其中两种前馈体系结构可以在不同设备约束之间找到最佳权衡,与特定应用程序的解决方案相比,可将硬盘占用减半。
May, 2023
本文提出了一种使用统一的隐式对话框架来进行面向目标,信息搜寻任务的会话搜索应用的方法,该方法可以利用底层数据表示来构建对话交互所需的组件,该框架由一系列端到端可训练模块的管道组成,其中集中的知识表示被用于语义地连接多个对话模块,各种工具被集成到该框架中以获取最终用户的输入以持续改进该系统,该方法的目标是通过识别可以适应和重复使用于许多最终用户应用程序中的组件和数据来促进对话系统的开发,我们通过为几个独立领域创建对话代理来展示我们的方法。
Feb, 2018