論文の概要: Modeling and Optimizing User Preferences in AI Copilots: A Comprehensive Survey and Taxonomy

• arxiv url: http://arxiv.org/abs/2505.21907v1
• Date: Wed, 28 May 2025 02:52:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.378576
• Title: Modeling and Optimizing User Preferences in AI Copilots: A Comprehensive Survey and Taxonomy
• Title（参考訳）: AIコパイロットにおけるユーザ嗜好のモデル化と最適化 - 総合的な調査と分類学
• Authors: Saleh Afzoon, Zahra Jahanandish, Phuong Thao Huynh, Amin Beheshti, Usman Naseem,
• Abstract要約: AIコパイロットは、ソフトウェア開発やコンテンツ作成といったタスクでユーザを支援するために設計された、コンテキスト対応のAI駆動システムである。 このパーソナライゼーションの中心は、好みの最適化である。AIコパイロが個々のユーザの好みを検出し、解釈し、調整する能力である。 この調査は、AIコピロの設計において、ユーザの好みをキャプチャし、モデル化し、洗練する方法について論じる。
• 参考スコア（独自算出の注目度）: 5.985777189633703
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: AI copilots, context-aware, AI-powered systems designed to assist users in tasks such as software development and content creation, are becoming integral to modern workflows. As these systems grow in capability and adoption, personalization has emerged as a cornerstone for ensuring usability, trust, and productivity. Central to this personalization is preference optimization: the ability of AI copilots to detect, interpret, and align with individual user preferences. While personalization techniques are well-established in domains like recommender systems and dialogue agents, their adaptation to interactive, real-time systems like AI copilots remains fragmented and underexplored. This survey addresses this gap by synthesizing research on how user preferences are captured, modeled, and refined within the design of AI copilots. We introduce a unified definition of AI copilots and propose a phase-based taxonomy of preference optimization strategies, structured around pre-interaction, mid-interaction, and post-interaction stages. We analyze techniques for acquiring preference signals, modeling user intent, and integrating feedback loops, highlighting both established approaches and recent innovations. By bridging insights from AI personalization, human-AI collaboration, and large language model adaptation, this survey provides a structured foundation for designing adaptive, preference-aware AI copilots. It offers a holistic view of the available preference resources, how they can be leveraged, and which technical approaches are most suited to each stage of system design.
• Abstract（参考訳）: ソフトウェア開発やコンテンツ作成といったタスクでユーザを支援するために設計されたAIコラボロト、コンテキスト認識、AIを活用したシステムは、現代のワークフローに不可欠なものになりつつある。 これらのシステムが能力と採用が拡大するにつれて、パーソナライゼーションはユーザビリティ、信頼、生産性の確保の基盤として現れています。 このパーソナライゼーションの中心は、好みの最適化である。AIコパイロが個々のユーザの好みを検出し、解釈し、調整する能力である。 パーソナライズ技術はレコメンデータシステムや対話エージェントのようなドメインでは確立されているが、AIコピロのようなインタラクティブでリアルタイムなシステムへの適応は断片化され、未探索のままである。 この調査は、AIコピロの設計において、ユーザの好みをどのように捉え、モデル化し、洗練するかの研究を合成することによって、このギャップに対処する。 我々は、AIコピロの統一的な定義を導入し、前処理、中処理、後処理の段階を中心に構築された、好み最適化戦略のフェーズベースの分類法を提案する。 我々は、好み信号の取得、ユーザ意図のモデリング、フィードバックループの統合といった手法を分析し、確立されたアプローチと最近のイノベーションの両方を強調します。 この調査は、AIパーソナライゼーション、人間とAIのコラボレーション、および大規模言語モデル適応からの洞察をブリッジすることによって、適応的で好みに合ったAIコラボロを設計するための構造化された基盤を提供する。 利用可能な選好リソース、どのように活用できるか、どの技術的アプローチがシステム設計の各段階に最も適しているか、の全体像を提供する。

関連論文リスト

• Vibe Coding vs. Agentic Coding: Fundamentals and Practical Implications of Agentic AI [0.36868085124383626]
  レビューでは、AI支援ソフトウェア開発の新たなパラダイムとして、バイブコーディングとエージェントコーディングの2つを包括的に分析している。 Vibeのコーディングは、インプットベースで対話的なインタラクションを通じて、直感的で、ループ内の人間間インタラクションを強調する。 エージェントコーディングは、最小限の介入でタスクを計画、実行、テスト、反復できる目標駆動エージェントを通じて、自律的なソフトウェア開発を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T03:00:21Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• A Survey of Direct Preference Optimization [103.59317151002693]
  LLM(Large Language Models)は、前例のない生成能力を示す。 人的価値との整合性は、有用で無害なデプロイメントを保証する上で、依然として重要です。 直接優先度最適化(DPO)は、最近、合理化された代替案として注目されている。
  論文  参考訳（メタデータ） (2025-03-12T08:45:15Z)
• Training a Generally Curious Agent [86.84089201249104]
  Paprikaは、言語モデルが一般的な意思決定機能を開発することを可能にする微調整のアプローチである。 Paprika氏は、より勾配の更新をすることなく、コンテキスト内の環境フィードバックに基づいて、新しいタスクで彼らの振る舞いを探索し、適応するようにモデルに教えている。 結果は、シーケンシャルな意思決定問題を自律的に解決できるAIシステムへの有望な道のりを示唆している。
  論文  参考訳（メタデータ） (2025-02-24T18:56:58Z)
• Integrating Human Expertise in Continuous Spaces: A Novel Interactive Bayesian Optimization Framework with Preference Expected Improvement [0.5148939336441986]
  Interactive Machine Learning (IML)は、人間の専門知識を機械学習プロセスに統合することを目指している。 ベイズ最適化(BO)に基づく新しいフレームワークを提案する。 BOは機械学習アルゴリズムと人間とのコラボレーションを可能にする。
  論文  参考訳（メタデータ） (2024-01-23T11:14:59Z)
• Model-based Reinforcement Learning for Decentralized Multiagent Rendezvous [66.6895109554163]
  目標を他のエージェントと整合させる人間の能力の下にあるのは、他人の意図を予測し、自分たちの計画を積極的に更新する能力である。 分散型マルチエージェントレンデブーのためのモデルに基づく強化学習手法である階層型予測計画(HPP)を提案する。
  論文  参考訳（メタデータ） (2020-03-15T19:49:20Z)
• Optimal by Design: Model-Driven Synthesis of Adaptation Strategies for Autonomous Systems [9.099295007630484]
  我々は,自律システムのための最適適応戦略のモデルベース要求駆動型合成のためのフレームワークであるOptimal by Design (ObD)を提案する。 ObDは、自己適応システムの基本的な要素、すなわちシステム、能力、要求、環境の高レベルな記述のためのモデルを提案する。 これらの要素に基づいてマルコフ決定プロセス(MDP)が構築され、最適な戦略や最も報いるシステム行動を計算する。
  論文  参考訳（メタデータ） (2020-01-16T12:49:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。