Mobile GUI Agent Privacy Personalization with Trajectory Induced Preference Optimization

यहाँ शोध पत्र "Mobile GUI Agent Privacy Personalization with Trajectory Induced Preference Optimization" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा (Problem Definition)

यह शोध पत्र Mobile GUI Agents में एक महत्वपूर्ण कमी को संबोधित करता है जो मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (MLLMs) द्वारा संचालित होते हैं। जबकि मौजूदा सिस्टम कार्यों को पूरा करने (जैसे टिकट बुक करना, ईमेल प्रबंधित करना) में उत्कृष्ट हैं, वे आमतौर पर कार्य सफलता दर (task success rate) या दक्षता (efficiency) के लिए अनुकूलित होते हैं, और उपयोगकर्ता गोपनीयता वैयक्तिकरण (user privacy personalization) की अनदेखी करते हैं।

• मुख्य मुद्दा: विभिन्न उपयोगकर्ताओं की अलग-अलग गोपनीयता प्राथमिकताएं होती हैं (जैसे, "गोपनीयता-प्रथम" बनाम "उपयोगिता-प्रथम")। ये प्राथमिकताएं संरचनात्मक रूप से विषम निष्पादन प्रक्षेपवक्र (structurally heterogeneous execution trajectories) उत्पन्न करती हैं।
  • गोपनीयता-प्रथम उपयोगकर्ता लंबे पथ ले सकते हैं जिनमें अनुमति अस्वीकार करना (permission denials), लॉग आउट करना, या निशान मिटाना (clearing traces) शामिल हो सकता है।
  • उपयोगिता-प्रथम उपयोगकर्ता सीधे पथ पसंद करते हैं, डिफ़ॉल्ट स्वीकार करते हैं और दक्षता के लिए डेटा साझा करते हैं।
• चुनौती: मानक प्राथमिकता अनुकूलन विधियाँ (जैसे Direct Preference Optimization, DPO) यह मानती हैं कि चुने गए और अस्वीकार किए गए प्रक्षेपवक्र संरचनात्मक रूप से संरेखित और समान लंबाई के होते हैं। हालाँकि, मोबाइल GUI एजेंटों में, गोपनीयता प्राथमिकताएं परिवर्तनीय-लंबाई वाले प्रक्षेपवक्र (variable-length trajectories) और संरचनात्मक बेमेल (structural mismatches) (जैसे, एक प्रक्षेपवक्र में अतिरिक्त रक्षात्मक चरण हैं जबकि दूसरे में नहीं) उत्पन्न करती हैं।
  • मानक DPO यहाँ विफल हो जाता है क्योंकि यह संरेखण प्लेसहोल्डर्स (padding) को वैध प्रशिक्षण संकेतों के रूप में मानता है, जिससे महत्वपूर्ण गोपनीयता चरणों का सीखना कम (dilute) हो जाता है।
  • लंबे प्रक्षेपवक्रों में प्रमुख गोपनीयता क्रियाएं अक्सर विरल (sparse) होती हैं, जिससे उन्हें मानक मॉडलों के लिए सीखना कठिन हो जाता है।

2. कार्यप्रणाली: ट्रजेक्टरी इंड्यूस्ड प्रेफरेंस ऑप्टिमाइजेशन (TIPO)

संरचनात्मक विषमता के कारण होने वाली अस्थिरता को हल करने के लिए, लेखक TIPO प्रस्तावित करते हैं, जो एक विशेष रूप से परिवर्तनीय-लंबाई और संरचनात्मक रूप से भिन्न प्रक्षेपवक्रों के लिए डिज़ाइन किया गया प्राथमिकता अनुकूलन ढांचा है। TIPO दो प्रमुख तंत्रों के माध्यम से मानक स्टेप-लेवल DPO लॉस फंक्शन को संशोधित करता है:

A. प्रेफरेंस-इंटेंसिटी वेटिंग (Preference-Intensity Weighting)

मानक DPO सभी संरेखित चरणों (steps) के साथ समान व्यवहार करता है। TIPO पहचानता है कि सभी चरण गोपनीयता संरेखण में समान योगदान नहीं देते हैं।

• तंत्र: यह प्रत्येक चरण को उसके "पर्सोना प्रासंगिकता" (persona relevance) के आधार पर एक भार ($\alpha_t$) आवंटित करता है।
• कार्यान्वयन: एक नियम-आधारित स्कोरिंग सिस्टम (सेमेंटिक नॉर्मलाइजेशन के लिए LLM की सहायता से) चुने गए ($s^+$) और अस्वीकार किए गए ($s^-$) चरणों के बीच स्कोर के अंतर की गणना करता है। उच्च अंतर वाले चरण (जैसे, अनुमति देने बनाम अस्वीकार करने के बीच का अंतर) उच्च भार प्राप्त करते हैं।
• लक्ष्य: महत्वपूर्ण गोपनीयता निर्णयों के लिए लर्निंग सिग्नल को बढ़ाना और उन्हें तटस्थ कार्य-निष्पादन चरणों द्वारा दबा जाने से रोकना।

B. पैडिंग गेटिंग (Padding Gating)

विभिन्न लंबाई के प्रक्षेपवक्रों को संरेखित करते समय, छोटी लंबाई के प्रक्षेपवक्रों को लंबी लंबाई के मिलान के लिए no_action प्लेसहोल्डर्स के साथ पैड किया जाता है।

• तंत्र: TIPO एक गेटिंग तंत्र ($m_t$) पेश करता है जो इन पैडिंग चरणों के भार को शून्य पर सेट कर देता है।
• लक्ष्य: "संरेखण शोर" (alignment noise) को दबाना। मॉडल को no_action प्लेसहोल्डर्स को पसंद या अस्वीकार करना नहीं सीखना चाहिए; इसे केवल वास्तविक सेमेंटिक अंतरों से सीखना चाहिए।

ऑब्जेक्टिव फंक्शन (The Objective Function):
TIPO लॉस इन तंत्रों को जोड़ता है:
$$L_{TIPO} = \mathbb{E} \left[ \text{softplus} \left( - m_t \cdot \alpha_t \cdot z_t(\theta) \right) \right]$$
जहाँ $z_t(\theta)$ स्टेप-वाइज प्रेफरेंस स्कोर है, $m_t$ पैडिंग गेट है, और $\alpha_t$ प्रेफरेंस इंटेंसिटी वेट है।

3. मुख्य योगदान (Key Contributions)

1. समस्या का निरूपण: यह शोध पत्र मोबाइल GUI एजेंट वैयक्तिकरण को एक प्रक्षेपवक्र चयन कार्य (trajectory selection task) के रूप में पुनर्व्याख्यायित करता है, जहाँ लक्ष्य केवल कार्य पूर्णता को अधिकतम करना नहीं है, बल्कि एक ही कार्य उद्देश्य के तहत उपयोगकर्ता की गोपनीयता प्राथमिकताओं के अनुरूप पथ चुनना है।
2. डेटासेट निर्माण: लेखकों ने Privacy Preference Dataset बनाया, जिसमें 8 श्रेणियों (Shopping, Payment, आदि) में 151 टास्क इंस्टेंस शामिल हैं। इसमें युग्मित प्रक्षेपवत्व (paired trajectories) (Privacy-first बनाम Utility-first) हैं जिनमें ~8.2k एनोटेटेड स्टेप्स हैं, जो स्पष्ट रूप से संरचनात्मक विषमता और परिवर्तनीय लंबाई को कैप्चर करते हैं।
3. एल्गोरिदम (TIPO): एक नया अनुकूलन विधि प्रस्ताव जो preference-intensity weighting और padding gating के माध्यम से संरचनात्मक विषमता को संभालता है, और मानक DPO एवं अन्य एलाइनमेंट बेसलाइन्स से बेहतर प्रदर्शन करता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

प्रयोग Qwen2.5VL-3B को बैकबोन के रूप में उपयोग करके, TIPO की तुलना Frozen, SFT, DPO, ORPO, CPO, SimPO, और IPO जैसे बेसलाइन्स के साथ की गई।

प्रमुख मेट्रिक्स:

• SR (Success Rate): कार्य पूर्ण करने की क्षमता।
• PAS-S / PAS-U: पर्सोना एडहेरेंस (सुरक्षा-उन्मुख बनाम उपयोगिता-उन्मुख व्यवहार)।
• Compliance: लक्षित पर्सोना के प्रति औसत पालन।
• PD (Persona Distinction): एक ही कार्य के लिए विभिन्न पर्सोना के लिए विशिष्ट रूप से भिन्न प्रक्षेपवक्र उत्पन्न करने की क्षमता।

प्रदर्शन की मुख्य बातें:

• कुल सफलता (Overall Success): TIPO ने उच्चतम Overall Success Rate (65.60%) प्राप्त किया, जो यह सिद्ध करता है कि यह कार्य निष्पादन क्षमता बनाए रखते हुए प्राथमिकताओं के साथ संरेखित होता है।
• पर्सोना एडहेरेंस: TIPO ने उच्चतम Compliance score (46.22) प्राप्त किया, जो DPO (31.94) से काफी बेहतर है।
• पर्सोना डिस्टिंक्शनशन: TIPO ने सर्वश्रेष्ठ PD score (66.67%) प्राप्त किया, जो दर्शाता है कि यह गोपनीयता और उपयोगिता पर्सोना के बीच प्रभावी ढंग से अंतर कर सकता है, जबकि अन्य विधियाँ अक्सर एक ही व्यवहार की ओर अभिसरित (converge) हो जाती हैं।
• एब्लेशन स्टडी (Ablation Study): वेटिंग या गेटिंग तंत्र में से किसी एक को हटाने से प्रदर्शन में गिरावट आई, जिससे पुष्टि होती है कि दोनों घटक आवश्यक और पूरक हैं।

कार्य श्रेणियों के अनुसार प्रदर्शन:

• Account & File Management: स्पष्ट संरचनात्मक अंतरों (जैसे, स्थानीय सेव बनाम क्लाउड सिंक) के कारण उच्चतम PD (80.00%)।
• Transactional Tasks: उच्चतम SR (72.17%), जो जटिल वर्कफ़्लो में मजबूती दिखाता है।

5. महत्व और निहितार्थ (Significance and Implications)

• गोपनीयता से परे: हालांकि यह गोपनीयता पर केंद्रित है, TIPO फ्रेमवर्क किसी भी ऐसे उपयोगकर्ता वरीयता के लिए लागू किया जा सकता है जो निष्पादन संरचना (execution structure) को बदल देती है (जैसे, लागत संवेदनशीलता, दक्षता, सुलभता)।
• एजेंट डिज़ाइन में बदलाव: यह शोध पत्र तर्क देता है कि वैयक्तिकरण केवल इस बारे में नहीं होना चाहिए कि एजेंट क्या आउटपुट देता है (सामग्री), बल्कि इस बारे में भी होना चाहिए कि वह कार्य को कैसे निष्पादित करता है (प्रक्रिया/प्रक्षेपवक्र)।
• व्यावहारिक प्रभाव: डेवलपर्स के लिए, यह सुझाव देता है कि विभिन्न उपयोगकर्ता प्रोफाइल के तहत युग्मित प्रक्षेपवक्र एकत्र करना और प्रक्षेपवक्र-स्तरीय प्राथमिकता अनुकूलन का उपयोग करना, विश्वसनीय, उपयोगकर्ता-जागरूक मोबाइल एजेंट बनाने का एक व्यवहार्य मार्ग है।
• तकनीकी प्रगति: यह RLHF/DPO में "संरचनात्मक विषमता" की समस्या के लिए एक समाधान प्रदान करता है, यह प्रदर्शित करते हुए कि मानक संरेखण विधियाँ तब विफल हो जाती हैं जब प्रक्षेपवक्र लंबाई और संरचना में भिन्न होते हैं, और एक मजबूत विकल्प प्रदान करता है।

संक्षेप में, यह शोध पत्र मोबाइल एजेंटों में कार्य निष्पादन और उपयोगकर्ता गोपनीयता प्राथमिकताओं के बीच के अंतर को पाटता है, एक विशेष अनुकूलन तकनीक (TIPO) और एक उच्च-गुणवत्ता वाला डेटासेट पेश करता है ताकि एजेंट कार्य सफलता से समझौता किए बिना उपयोगकर्ता-निर्धारित गोपनीयता सीमाओं का सम्मान कर सकें।