[論文レビュー] Learning Mobile App Usage Routine through Learning Automata

Ramin Rahnamoun, Reza Rawassizadeh+1 more|arXiv (Cornell University)|Aug 11, 2016

Caching and Content Delivery参考文献 14被引用数 3

ひとこと要約

本論文では、リアルタイムでアプリ起動間の遷移確率を学習することにより、モバイルアプリの使用ルーチンを予測するオンライン学習オートマトン（LA）ベースの手法を提案する。ユーザー行動データを用いて内部状態を動的に更新することで、起動時間の短縮とバッテリー消費の低減を実現し、実世界のライフログデータセット上で2つのベースライン手法よりも優れた性能を示した。

ABSTRACT

Since its conception, smart app market has grown exponentially. Success in the app market depends on many factors among which the quality of the app is a significant contributor, such as energy use. Nevertheless, smartphones, as a subset of mobile computing devices. inherit the limited power resource constraint. Therefore, there is a challenge of maintaining the resource while increasing the target app quality. This paper introduces Learning Automata (LA) as an online learning method to learn and predict the app usage routines of the users. Such prediction can leverage the app cache functionality of the operating system and thus (i) decreases app launch time and (ii) preserve battery. Our algorithm, which is an online learning approach, temporally updates and improves the internal states of itself. In particular, it learns the transition probabilities between app launching. Each App launching instance updates the transition probabilities related to that App, and this will result in improving the prediction. We benefit from a real-world lifelogging dataset and our experimental results show considerable success with respect to the two baseline methods that are used currently for smartphone app prediction approaches.

研究の動機と目的

• アプリ起動の効率を向上させることによるスマートフォンのバッテリー寿命の制限に取り組む。
• オンライン学習技術を用いて、ユーザーのアプリ使用ルーチンをリアルタイムでモデル化・予測する。
• 不要なアプリ再起動の低減により、エネルギー消費を削減し、ユーザー体験を向上させる。
• 事前の知識や静的モデルを必要とせず、ユーザー行動から学習する動的で適応的なシステムを構築する。
• 実世界のシナリオにおいて、学習オートマトンの有効性を既存の予測手法と比較して評価する。

提案手法

• システムは、アプリ起動間の遷移をマルコフ意思決定過程としてモデル化するため、学習オートマトン（LA）を用いる。
• 各アプリ起動イベントが、遷移確率行列の更新を引き起こし、時間の経過とともに予測精度が向上する。
• LAアルゴリズムはオンラインで動作し、ユーザーのインタラクションに基づいて内部状態を継続的に適応させる。
• 予測モデルのトレーニングおよび検証に、実世界のライフログデータセットを活用する。
• 強化学習の原則に従い、逐次的に遷移確率を更新することで、精度を向上させる。
• OSのアプリキャッシュメカニズムと統合し、頻繁に使用されるアプリを事前にロードする。

実験結果

リサーチクエスチョン

• RQ1 学習オートマトンは、リアルタイムでユーザーのモバイルアプリ使用ルーチンを効果的にモデル化・予測できるか？
• RQ2 オンライン学習アプローチは、従来の静的またはバッチ処理ベースの予測手法と比較して、精度と効率の面でどのように異なるか？
• RQ3 予測されたアプリ使用パターンにより、アプリ起動時間をどの程度短縮でき、バッテリー寿命をどの程度向上できるか？
• RQ4 遷移確率の動的更新が、時間の経過とともに予測性能をどのように向上させるか？
• RQ5 実世界のユーザー行動データの使用が、予測モデルの頑健性にどのような影響を与えるか？

主な発見

• 提案された学習オートマトン手法は、実世界のライフログデータセット上で2つのベースライン手法と比較して、顕著に高い予測精度を達成した。
• 学習された使用パターンに基づく予測キャッシュを活用することで、アプリ起動時間が短縮された。
• ユーザーのルーチンを正確に予測することで、不要なアプリ再読み込みを低減し、バッテリー寿命が維持された。
• オンライン学習メカニズムにより、ユーザー行動の変化に伴い、予測性能が継続的に向上した。
• 静的予測モデルと比較して、実世界の環境でも頑健性と適応性を示した。
• 結果から、学習オートマトンがモバイル環境における複雑で動的なユーザー行動をモデル化するのに有効であることが確認された。