基于轨迹引起的偏好优化的移动 GUI 智能体隐私个性化
人工智能
2026-04-14 v1 密码学与安全
摘要
由多模态大语言模型（MLLMs）驱动的移动 GUI 智能体能够在移动设备上执行复杂任务。尽管取得了这些进展，大多数现有系统仍仅优化任务成功率或效率，忽视了用户隐私个性化的需求。本文我们关注这个常被忽视的问题：智能体的个性化。我们观察到，个性化会导致执行轨迹中出现系统性的结构性异质性。例如，注重隐私的用户倾向于采取保护性动作，如拒绝权限、注销账户以及最小化信息暴露，从而产生与关注效率的用户之间逻辑上不同的执行轨迹。这种可变长度和结构上不同的轨迹会使标准的偏好优化方法不稳定且信息不足。为此，我们提出了轨迹引起的偏好优化（Trajectory Induced Preference Optimization, TIPO），通过偏好强度加权强调关键隐私相关步骤，并引入填充门控（padding gating）以抑制对齐噪声。我们在自建的隐私偏好数据集上进行实验，结果表明 TIPO 在保持强大任务可执行性的同时，提升了人格对齐性和区分度，实现了 65.60% 的成功率（SR）、46.22% 的合规性（Compliance）以及 66.67% 的人格区分度（PD），在各种 GUI 任务中超越了现有的优化方法。该代码和数据集将在 https://github.com/Zhixin-L/TIPO 上公开。
引用
@article{arxiv.2604.11259,
title = {Mobile GUI Agent Privacy Personalization with Trajectory Induced Preference Optimization},
author = {Zhixin Lin and Jungang Li and Dongliang Xu and Shidong Pan and Yibo Shi and Yuchi Liu and Yuecong Min and Yue Yao},
journal= {arXiv preprint arXiv:2604.11259},
year = {2026}
}
备注
10 pages, 6 figures, 3 tables