SimTrace: lintasan klik sintetis berdasarkan sesi nyata yang dianonimkan dan model lingkungan web
Penulis menjelaskan sebuah kerangka kerja yang menganonimkan interaksi nyata, membangun salinan simulasi lingkungan web, lalu menggunakannya untuk menghasilkan lintasan klik multimodal yang dilengkapi konteks pengguna dan observasi lingkungan. Dalam skenario e-commerce, solusi ini mengungguli metode dasar pada 7 dari 8 metrik fidelitas, sementara model yang dilatih dengan data sintetis menunjukkan akurasi yang sebanding dengan model yang dilatih menggunakan data nyata; penambahan data sintetis meningkatkan prediksi tindakan berikutnya sebesar +11,0%. Kodenya tersedia secara terbuka bagi para peneliti.
Apa itu SimTrace
SimTrace adalah framework untuk menghasilkan lintasan klik multimodal sintetis. Framework ini mengandalkan lintasan pengguna nyata dan lingkungan web yang ditentukan. Artikel “SimTrace: Grounded Multimodal User Trajectories Generation for Online User Modeling” diajukan pada 29 Sep 2026. Penulis: Yunan Lu, Shuang Xie, Meghna Allamudi, Mingyu Zhao, Han Li, Lingyun Wang, dan Zhou Yu. Karya ini tersedia di arXiv:2609.38397.
Elemen utama:
- menghasilkan lintasan klik multimodal sintetis;
- mengandalkan lintasan pengguna nyata;
- mengandalkan lingkungan web yang ditentukan;
- menganonimkan interaksi nyata;
- membuat salinan lingkungan web yang disimulasikan;
- menyertakan observasi lingkungan web dan konteks pengguna pada setiap tindakan.
Kriteria praktis: framework ini cocok untuk memodelkan perilaku pengguna di internet ketika diperlukan lintasan klik sintetis.
Cara kerja pembuatan lintasan sintetis
SimTrace melakukan pembuatan dalam beberapa tahap. Pertama, sistem menganonimkan interaksi nyata. Kemudian, sistem membuat salinan lingkungan web yang disimulasikan. Berdasarkan data tersebut, framework menghasilkan lintasan sintetis. Setiap tindakan dalam lintasan disertai observasi lingkungan web dan konteks pengguna.
Tahapan:
- Menganonimkan interaksi nyata.
- Membuat salinan lingkungan web yang disimulasikan.
- Menghasilkan lintasan sintetis berdasarkan data yang telah dianonimkan dan salinan lingkungan.
- Menyertakan observasi lingkungan web dan konteks pengguna pada setiap tindakan.
Kriteria praktis: sesi nyata yang telah dianonimkan dan deskripsi lingkungan web diperlukan untuk menjalankan proses pembuatan.
Evaluasi dalam e-commerce
SimTrace diterapkan dalam skenario e-commerce. Para peneliti mengevaluasi akurasi reproduksi data dan kegunaan praktisnya. Pada 7 dari 8 metrik akurasi reproduksi, sistem mengungguli metode dasar pesaing.
Kesimpulan: dalam skenario e-commerce, framework ini menunjukkan keunggulan pada sebagian besar metrik akurasi reproduksi.
Manfaat data sintetis bagi model
Dalam eksperimen SimTrace, model yang dilatih dengan data sintetis menunjukkan hasil yang sebanding dengan model yang dilatih dengan data nyata. Hal ini berlaku untuk tugas prediksi pembelian dan rekomendasi. Dalam tugas prediksi tindakan berikutnya, penambahan data sintetis ke data nyata meningkatkan akurasi sebesar 11.0% dibandingkan dengan pelatihan yang hanya menggunakan data nyata.
| Tugas | Hasil | | prediksi pembelian | model dengan data sintetis sebanding dengan model yang dilatih menggunakan data nyata | | rekomendasi | model dengan data sintetis sebanding dengan model yang dilatih menggunakan data nyata | | prediksi tindakan berikutnya | penambahan data sintetis ke data nyata meningkatkan akurasi sebesar 11.0% dibandingkan dengan hanya menggunakan data nyata |
Kriteria praktis: lintasan sintetis dapat digunakan sebagai pengganti data nyata untuk prediksi pembelian dan rekomendasi. Untuk prediksi tindakan berikutnya, lintasan tersebut sebaiknya ditambahkan ke data nyata.
Kode sumber terbuka dan kriteria penggunaan
SimTrace dirilis sebagai paket sumber terbuka untuk penelitian pemodelan perilaku pengguna di internet. Paket ini tersedia untuk keperluan penelitian.
Kriteria praktis: framework ini sebaiknya digunakan ketika tugasnya berkaitan dengan pemodelan perilaku pengguna di internet. Untuk itu, diperlukan sesi nyata yang telah dianonimkan dan lingkungan web yang ditentukan.
Kesimpulan: kode sumber terbuka menyediakan akses ke implementasi framework untuk penelitian.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
Pengujian agen pemrograman dalam pengembangan XR interaktif: hasil GenXR-Bench
GenXR-Bench telah dirilis—seperangkat 112 tugas ahli untuk mengevaluasi agen coding secara menyeluruh dalam pengembangan XR interaktif: mulai dari menyempurnakan fitur dan memperbaiki bug hingga membuat aplikasi dengan pengujian perilaku pada perangkat konsumen. Dari sepuluh model yang diuji, hasil terbaik adalah 50,9% Pass@1; kegagalan yang berulang meliputi penanganan peristiwa sensor asinkron, penempatan objek di ruang nyata, dan pemahaman interaksi dalam konteks fisik.
5 November 2026
Dari Imbalan Skalar ke Front Pareto: Sintesis RTL LLM dengan Pembelajaran Penguatan Multikriteria
Diusulkan metode untuk melatih model bahasa agar menghasilkan bukan hanya satu skema, melainkan serangkaian kandidat RTL dengan kompromi berbeda antara luas area, latensi, dan konsumsi daya; reward dihitung berdasarkan kontribusi kandidat terhadap hypervolume front Pareto. Pada RTLLM v2, hypervolume relatif meningkat 13,3 poin persentase dibandingkan versi dasar tanpa optimasi PPA dan 14,4 poin persentase dibandingkan pelatihan penguatan dengan satu tujuan.
5 November 2026
LLM Medis Mengetahui Revisi Pedoman, tetapi Sering Menjawab Berdasarkan Pedoman Lama
Studi ChronoEvo terhadap 1709 perubahan rekomendasi klinis menunjukkan: pada model utama, 90,8% jawaban mencatat pembaruan, tetapi hanya 58,5% yang menerapkannya sepenuhnya, sementara kesenjangan sebesar 32,3 poin persentase tetap terlihat pada 14 model. Bahkan peningkatan visibilitas pembaruan tidak menghasilkan peningkatan signifikan dalam penerapan penuh aturan baru ke dalam rekomendasi klinis.
4 November 2026