[논문 리뷰] Learning Mobile App Usage Routine through Learning Automata

Ramin Rahnamoun, Reza Rawassizadeh외 1명|arXiv (Cornell University)|2016. 08. 11.

Caching and Content Delivery참고 문헌 14인용 수 3

한 줄 요약

이 논문은 실시간으로 앱 실행 간 전이 확률을 학습함으로써 모바일 앱 사용 루틴을 예측하기 위한 온라인 학습 기계(LA) 기반 방법을 제안한다. 사용자 행동 데이터를 통해 내부 상태를 동적으로 갱신함으로써, 앱 실행 예측을 향상시켜 기기 부팅 시간을 단축하고 배터리 수명을 보존한다. 실제 생활 기록 데이터셋을 바탕으로 한 실험에서 두 가지 기준 방법에 비해 뛰어난 성능을 보였다.

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.

연구 동기 및 목표

• 예측 캐싱을 통해 앱 부팅 효율을 향상시켜 스마트폰 배터리 수명이 짧은 문제를 해결하고자 한다.
• 온라인 학습 기법을 활용해 실시간으로 사용자 앱 사용 루틴을 모델링하고 예측하고자 한다.
• 중복된 앱 실행을 최소화함으로써 에너지 소비를 줄이고 사용자 경험을 향상시키고자 한다.
• 사전 지식이나 정적 모델이 필요 없이 사용자 행동에서 학습하는 동적이고 적응형 시스템을 개발하고자 한다.
• 실생활 환경에서 기존 예측 방법과 비교해 학습 기계의 효과성을 평가하고자 한다.

제안 방법

• 시스템은 학습 기계(LA)를 사용하여 앱 실행 간 전이를 마르코프 결정 과정으로 모델링한다.
• 각 앱 실행 이벤트가 발생할 때마다 전이 확률 행렬이 갱신되어 예측 정확도가 시간이 지남에 따라 향상된다.
• LA 알고리즘은 온라인으로 작동하여 사용자 상호작용에 기반해 내부 상태를 지속적으로 적응시킨다.
• 예측 모델의 훈련과 검증을 위해 실제 생활 기록 데이터셋을 활용한다.
• 정 reinforcement 학습 원리를 활용해 전이 확률을 점진적으로 갱신함으로써 정확도를 향상시킨다.
• 예측 기반으로 자주 사용되는 앱을 사전 로드할 수 있도록 운영체제의 앱 캐싱 메커니즘과 통합한다.

실험 결과

연구 질문

• RQ1 학습 기계는 실시간으로 사용자 모바일 앱 사용 루틴을 효과적으로 모델링하고 예측할 수 있는가?
• RQ2 기존의 정적 또는 배치 기반 예측 방법과 비교할 때 온라인 학습 방법은 정확도와 효율성 측면에서 어떻게 다른가?
• RQ3 예측된 앱 사용 패턴은 얼마나 앱 부팅 시간을 단축시키고 배터리 수명을 향상시킬 수 있는가?
• RQ4 전이 확률에 대한 동적 갱신이 시간이 지남에 따라 예측 성능을 어떻게 향상시키는가?
• RQ5 실생활 사용자 행동 데이터의 사용은 예측 모델의 강건성에 어떤 영향을 미치는가?

주요 결과

• 제안된 학습 기계 방법은 실제 생활 기록 데이터셋에서 두 기준 방법에 비해 유의미하게 높은 예측 정확도를 달성했다.
• 학습된 사용 패턴 기반 예측 캐싱을 통해 시스템은 앱 부팅 시간을 단축시켰다.
• 정확한 사용 루틴 예측을 통해 불필요한 앱 재로드를 최소화함으로써 배터리 수명이 보존되었다.
• 온라인 학습 메커니즘이 사용자 행동의 변화에 따라 지속적으로 예측 성능을 향상시켰다.
• 정적 예측 모델에 비해 실생활 조건에서도 강건성과 적응성을 입증했다.
• 결과적으로 학습 기계가 모바일 환경에서 복잡하고 동적인 사용자 행동을 모델링하는 데 효과적임을 확인했다.