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

• arxiv url: http://arxiv.org/abs/2505.21907v2
• Date: Sat, 31 May 2025 04:48:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-03 13:48:30.024949
• 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コパイロは、複雑でコンテキストに富んだタスクでユーザを支援するように設計された、AI駆動システムの新世代を表す。 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。システムの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コパイロにおけるユーザの嗜好がどのように運用されているかを調べる。
• 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 represent a new generation of AI-powered systems designed to assist users, particularly knowledge workers and developers, in complex, context-rich tasks. As these systems become more embedded in daily workflows, personalization has emerged as a critical factor for improving usability, effectiveness, and user satisfaction. Central to this personalization is preference optimization: the system's ability to detect, interpret, and align with individual user preferences. While prior work in intelligent assistants and optimization algorithms is extensive, their intersection within AI copilots remains underexplored. This survey addresses that gap by examining how user preferences are operationalized in AI copilots. We investigate how preference signals are sourced, modeled across different interaction stages, and refined through feedback loops. Building on a comprehensive literature review, we define the concept of an AI copilot and introduce a taxonomy of preference optimization techniques across pre-, mid-, and post-interaction phases. Each technique is evaluated in terms of advantages, limitations, and design implications. By consolidating fragmented efforts across AI personalization, human-AI interaction, and language model adaptation, this work offers both a unified conceptual foundation and a practical design perspective for building user-aligned, persona-aware AI copilots that support end-to-end adaptability and deployment.
• Abstract（参考訳）: AIコパイロットは、ユーザー、特に知識労働者や開発者を、複雑でコンテキストに富んだタスクで支援するために設計された、新しい世代のAI駆動システムを表す。 これらのシステムが日々のワークフローに組み入れられるようになるにつれて、パーソナライズがユーザビリティ、有効性、ユーザの満足度を向上させる重要な要因として現れてきた。 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。システムの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。 インテリジェントアシスタントと最適化アルゴリズムにおける以前の作業は幅広く行われているが、AIコピロ内の彼らの交差点はいまだに探索されていない。 この調査は、AIコピロでユーザの好みがどのように運用されているかを調べることで、そのギャップに対処する。 我々は、好み信号のソース化、異なる相互作用段階のモデル化、フィードバックループによる洗練について検討する。 総合的な文献レビューに基づいて、AIコピロの概念を定義し、前、中、後相互作用フェーズにまたがる選好最適化手法の分類を導入します。 それぞれのテクニックは、利点、制限、設計上の意味の観点から評価されます。 AIのパーソナライゼーション、ヒューマン-AIインタラクション、言語モデル適応といった、断片的な取り組みを統合することで、この作業は、統一された概念基盤と、エンドツーエンドの適応性とデプロイメントをサポートする、ユーザ整合性のあるペルソナ対応AIコラボロを構築するための実用的な設計視点の両方を提供する。

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。