論文の概要: Temporal Preferences in Language Models for Long-Horizon Assistance
- arxiv url: http://arxiv.org/abs/2509.09704v1
- Date: Fri, 05 Sep 2025 16:21:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-15 16:03:07.827661
- Title: Temporal Preferences in Language Models for Long-Horizon Assistance
- Title（参考訳）: 長期支援のための言語モデルにおける時間的嗜好
- Authors: Ali Mazyaki, Mohammad Naghizadeh, Samaneh Ranjkhah Zonouzaghi, Hossein Setareh,
- Abstract要約: 本研究では,言語モデル (LM) が時空間選択において未来志向か現在指向かを示すかを検討する。
それらを、人間の意思決定者のサンプルと比較する。
時間方向を正しく推論するモデルは、自分自身をAI意思決定者として内在化します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We study whether language models (LMs) exhibit future- versus present-oriented preferences in intertemporal choice and whether those preferences can be systematically manipulated. Using adapted human experimental protocols, we evaluate multiple LMs on time-tradeoff tasks and benchmark them against a sample of human decision makers. We introduce an operational metric, the Manipulability of Time Orientation (MTO), defined as the change in an LM's revealed time preference between future- and present-oriented prompts. In our tests, reasoning-focused models (e.g., DeepSeek-Reasoner and grok-3-mini) choose later options under future-oriented prompts but only partially personalize decisions across identities or geographies. Moreover, models that correctly reason about time orientation internalize a future orientation for themselves as AI decision makers. We discuss design implications for AI assistants that should align with heterogeneous, long-horizon goals and outline a research agenda on personalized contextual calibration and socially aware deployment.
- Abstract（参考訳）: 本研究では,言語モデル (LM) が時間的選択における未来志向と現在志向の嗜好を示し,その嗜好を体系的に操作できるかどうかを検討する。
適応された人間実験プロトコルを用いて、タイムトラベルタスク上で複数のLMを評価し、それらを人間の意思決定者のサンプルと比較する。
本稿では,MTO(Manipulability of Time Orientation)と呼ばれる運用指標を導入する。
私たちのテストでは、推論に焦点を当てたモデル(例えば、DeepSeek-ReasonerとGrok-3-mini)は、将来指向のプロンプトの下で後続のオプションを選択しますが、アイデンティティや地理的に決定を部分的にパーソナライズするだけです。
さらに、時間方向を正しく推論するモデルは、自分自身をAI意思決定者として内在させる。
我々は、不均一で長期の目標に沿ったAIアシスタントの設計上の意味について議論し、パーソナライズされたコンテキストキャリブレーションと社会的に認識されたデプロイメントに関する研究課題を概説する。
関連論文リスト
- Prioritizing Alignment Paradigms over Task-Specific Model Customization in Time-Series LLMs [24.25288301208334]
本稿では,Large Language Models (LLMs) を用いた時系列推論への移行を提唱する。
これは、しばしばコストがかかり、柔軟性がなく、非効率である現在の時系列推論アプローチの中核的な制限に対処する。
提案するアライメントパラダイムは,インジェクティブアライメント,ブリッジングアライメント,インテリアアライメントの3つである。
論文 参考訳（メタデータ） (2025-06-13T07:13:05Z) - Integrating Response Time and Attention Duration in Bayesian Preference Learning for Multiple Criteria Decision Aiding [2.9457161327910693]
本稿では,意思決定支援のための行動規範を取り入れたベイズ選好学習フレームワークについて紹介する。
このフレームワークは、ペアワイズ比較、応答時間、注意期間を統合して、意思決定プロセスに関する洞察を深めます。
論文 参考訳（メタデータ） (2025-04-21T08:01:44Z) - Tempo: Helping Data Scientists and Domain Experts Collaboratively Specify Predictive Modeling Tasks [14.099791384467274]
我々は、データサイエンティストとドメインエキスパートがモデル仕様について協力するのを支援する対話型システムであるTempoを開発した。
データサイエンティストは、事前処理の選択についてより透明性の高い仕様を迅速にプロトタイプできる。
ドメインエキスパートは、モデルが期待通りに振る舞うことを検証するために、データサブグループ内のパフォーマンスを評価することができる。
論文 参考訳（メタデータ） (2025-02-14T19:44:37Z) - MetaAlign: Align Large Language Models with Diverse Preferences during Inference Time [50.41806216615488]
大規模言語モデル(LLM)は、広範なテキストコーパスから広範な知識と顕著な能力を取得する。
LLMをより使いやすくするためには、それらを人間の好みに合わせることが不可欠である。
提案手法は,LLMが推論時に指定される様々な明示的あるいは暗黙的な選好と動的に整合するのを支援することを目的としている。
論文 参考訳（メタデータ） (2024-10-18T05:31:13Z) - XForecast: Evaluating Natural Language Explanations for Time Series Forecasting [72.57427992446698]
時系列予測は、特に正確な予測に依存するステークホルダーにとって、意思決定を支援する。
伝統的に説明可能なAI(XAI)メソッドは、機能や時間的重要性を基盤とするものであり、専門家の知識を必要とすることが多い。
時系列データにおける複雑な因果関係のため,予測NLEの評価は困難である。
論文 参考訳（メタデータ） (2024-10-18T05:16:39Z) - Bayesian Preference Elicitation with Language Models [82.58230273253939]
本稿では,BOEDを用いて情報的質問の選択を案内するフレームワークOPENと,特徴抽出のためのLMを紹介する。
ユーザスタディでは,OPEN が既存の LM- や BOED をベースとした選好手法よりも優れていることが判明した。
論文 参考訳（メタデータ） (2024-03-08T18:57:52Z) - Indecision Modeling [50.00689136829134]
AIシステムは人間の価値観に合わせて行動することが重要である。
人々はしばしば決定的ではなく、特に彼らの決定が道徳的な意味を持つときです。
論文 参考訳（メタデータ） (2020-12-15T18:32:37Z) - Sequential Recommender via Time-aware Attentive Memory Network [67.26862011527986]
本稿では,注意機構と繰り返し単位を改善するための時間ゲーティング手法を提案する。
また,長期と短期の嗜好を統合するマルチホップ・タイムアウェア・アテンテーティブ・メモリ・ネットワークを提案する。
提案手法は,候補探索タスクに対してスケーラブルであり,ドット積に基づくTop-Kレコメンデーションのための潜在因数分解の非線形一般化とみなすことができる。
論文 参考訳（メタデータ） (2020-05-18T11:29:38Z)
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。