論文の概要: ProPerSim: Developing Proactive and Personalized AI Assistants through User-Assistant Simulation
- arxiv url: http://arxiv.org/abs/2509.21730v1
- Date: Fri, 26 Sep 2025 00:57:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-29 20:57:54.096166
- Title: ProPerSim: Developing Proactive and Personalized AI Assistants through User-Assistant Simulation
- Title（参考訳）: ProPerSim: ユーザ支援シミュレーションによるプロアクティブでパーソナライズされたAIアシスタントの開発
- Abstract要約: タイムリーでパーソナライズされたレコメンデーションを作成できるAIアシスタントを開発するためのタスクおよびシミュレーションフレームワークであるProPerSimを紹介する。
ProPerAssistantは、ユーザのフィードバックを通じて継続的に学習し、適応する検索強化された、嗜好に整合したアシスタントである。
- 参考スコア（独自算出の注目度）: 26.512935389758727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As large language models (LLMs) become increasingly integrated into daily life, there is growing demand for AI assistants that are not only reactive but also proactive and personalized. While recent advances have pushed forward proactivity and personalization individually, their combination remains underexplored. To bridge this gap, we introduce ProPerSim, a new task and simulation framework for developing assistants capable of making timely, personalized recommendations in realistic home scenarios. In our simulation environment, a user agent with a rich persona interacts with the assistant, providing ratings on how well each suggestion aligns with its preferences and context. The assistant's goal is to use these ratings to learn and adapt to achieve higher scores over time. Built on ProPerSim, we propose ProPerAssistant, a retrieval-augmented, preference-aligned assistant that continually learns and adapts through user feedback. Experiments across 32 diverse personas show that ProPerAssistant adapts its strategy and steadily improves user satisfaction, highlighting the promise of uniting proactivity and personalization.
- Abstract（参考訳）: 大規模言語モデル(LLM)が日々の生活にますます統合されるにつれて、反応性だけでなく、積極的に、パーソナライズされたAIアシスタントへの需要が高まっている。
最近の進歩は個人の活動とパーソナライゼーションを推し進めてきたが、それらの組み合わせはいまだに探索されていない。
このギャップを埋めるため、現実的なホームシナリオでタイムリーにパーソナライズされたレコメンデーションを作成できるアシスタントを開発するための新しいタスクおよびシミュレーションフレームワークであるProPerSimを紹介した。
シミュレーション環境では、リッチなペルソナを持つユーザエージェントがアシスタントと対話し、それぞれの提案が好みや状況とどのように一致しているかのレーティングを提供する。
アシスタントのゴールは、これらの評価を用いて学習し、時間とともにより高いスコアを得るために適応することである。
ProPerSim上に構築されたProPerAssistantは,ユーザのフィードバックを通じて継続的に学習し,適応する検索拡張された,嗜好に整合したアシスタントである。
32の多様なペルソナを対象とした実験では、ProPerAssistantはその戦略に適応し、ユーザの満足度を着実に改善し、生産性とパーソナライゼーションの統一の約束を強調している。
関連論文リスト
- ODYSSE: Episode-wise Policy Optimization for Personalized Agentic Reasoning [48.692251671993574]
エージェント推論をパーソナライズするフレームワークODYSSEを提案する。
ODYSSEは、パーソナライズされたエージェント推論において、長いアクション水平線と強力なクロスステップ依存に対処する。
ODYSSEは、専門的・汎用的なLVLMよりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-07-28T07:25:04Z) - VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions [63.13827503828231]
我々は、長期ユーザーインタラクションにおけるパーソナライズされたプロアクティブなエージェント動作を評価するためのベンチマークであるVitaBench 2.0を紹介する。
結果は、最先端のモデルでさえ、現実世界のパーソナライゼーションは非常に困難であることを示している。
論文 参考訳（メタデータ） (2026-05-26T15:07:38Z) - LifeSim: Long-Horizon User Life Simulator for Personalized Assistant Evaluation [63.37419733369833]
LifeSimはユーザ認識をBDI(Belief-Desire-Intention)モデルでモデル化するユーザシミュレータである。
LifeSim-Evalは8つの生命ドメインと1200の多様なシナリオをカバーし、モデルの能力を評価するためにマルチターンインタラクティブメソッドを採用している。
論文 参考訳（メタデータ） (2026-03-12T16:49:34Z) - Pushing Forward Pareto Frontiers of Proactive Agents with Behavioral Agentic Optimization [61.641777037967366]
プロアクティブな大規模言語モデル(LLM)エージェントは、複数のターンで積極的に計画し、クエリし、相互作用することを目的としている。
エージェント強化学習(RL)は、マルチターン環境でエージェントを訓練するための有望なソリューションとして登場した。
本稿では,行動強化と情報収集能力の強化を両立させたエージェントRLフレームワークであるBAOを提案する。
論文 参考訳（メタデータ） (2026-02-11T20:40:43Z) - The PROPER Approach to Proactivity: Benchmarking and Advancing Knowledge Gap Navigation [17.97529450470058]
ほとんどの言語ベースのアシスタントはリアクティブなQ&Aパラダイムに従っており、ユーザは自身のニーズを明示的に表現する必要がある。
次元生成エージェント(DGA)と応答生成エージェント(RGA)を組み合わせた新しい2エージェントアーキテクチャであるProPerを紹介する。
RGAは明示的および暗黙的な次元のバランスをとり、タイムリーかつ積極的な介入でパーソナライズされた応答を調整する。
以上の結果から,ProPerはすべての領域における品質スコアと勝利率を改善し,シングルターン評価において最大84%,マルチターンインタラクションにおいて一貫した優位性を実現した。
論文 参考訳（メタデータ） (2026-01-14T23:13:01Z) - Towards Proactive Personalization through Profile Customization for Individual Users in Dialogues [28.522406727886395]
PersonalAgentは、ユーザの好みを継続的に推測し、適応するように設計された、生涯にわたるエージェントである。
実験により、PersonalAgentは強力なプロンプトベースおよびポリシー最適化ベースラインよりも優れたパフォーマンスを達成できることが示された。
本研究は、より包括的で適応的な会話エージェントを開発するために、生涯のパーソナライズの重要性を浮き彫りにした。
論文 参考訳（メタデータ） (2025-12-17T10:47:06Z) - Is Passive Expertise-Based Personalization Enough? A Case Study in AI-Assisted Test-Taking [29.26173340915243]
エキスパートユーザは、タスク指向の対話において、異なる体系的な好みを持っている。
私たちは受動的パーソナライゼーションを備えたエンタープライズAIアシスタントのバージョンを構築しました。
予備的な結果は、受動的パーソナライゼーションがタスク負荷を減らし、アシスタントの知覚を向上させることを示唆している。
これらの知見は,企業のタスク指向環境におけるユーザエクスペリエンスと効果を最適化するために,アクティブなパーソナライゼーションと受動的パーソナライゼーションを組み合わせることの重要性を浮き彫りにした。
論文 参考訳（メタデータ） (2025-11-28T17:21:41Z) - Training Proactive and Personalized LLM Agents [107.57805582180315]
生産性, 積極性, パーソナライゼーションの3つの側面を共同で最適化する多目的強化学習手法である PPP を導入する。
PPP訓練剤はGPT-5(平均21.6)などの強いベースラインよりも大幅に改善されている。
この研究は、ユーザ中心のインタラクションを明示的に最適化することが、実用的で効果的なAIエージェントを構築する上で重要であることを実証している。
論文 参考訳（メタデータ） (2025-11-04T02:59:36Z) - RecoWorld: Building Simulated Environments for Agentic Recommender Systems [55.979427290369216]
エージェントレコメンデータシステムに適したシミュレーション環境を構築するための青写真であるRecoWorldを提示する。
ユーザシミュレータは、推奨項目をレビューし、その考え方を更新し、潜在的なユーザ切り離しを感知すると、反射指示を生成する。
エージェント推奨者は、これらのユーザ命令と推論トレースを取り入れ、ダイナミックなフィードバックループを作成することで、そのレコメンデーションに適応する。
論文 参考訳（メタデータ） (2025-09-12T16:44:34Z) - Thought-Augmented Planning for LLM-Powered Interactive Recommender Agent [56.61028117645315]
本稿では,蒸留した思考パターンを通じて複雑なユーザ意図に対処する,思考増強型対話型推薦エージェントシステム(TAIRA)を提案する。
具体的には、ユーザニーズを分解し、サブタスクを計画することでレコメンデーションタスクを編成するマネージャエージェントを備えたLLM方式のマルチエージェントシステムとして設計されている。
複数のデータセットにまたがる包括的な実験により、IRAは既存の手法に比べて大幅に性能が向上した。
論文 参考訳（メタデータ） (2025-06-30T03:15:50Z) - PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。
パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。
テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
論文 参考訳（メタデータ） (2025-06-06T17:29:49Z) - From Strangers to Assistants: Fast Desire Alignment for Embodied Agent-User Adaptation [24.232670566927972]
LLM駆動型ユーザエージェントを統合したホームアシストシミュレーション環境HA-Desireを開発した。
本稿では、欲求に基づく心的推論機構を導入した、迅速な欲求整合のための新しいフレームワークFAMERを提案する。
本フレームワークは,タスク実行とコミュニケーション効率を大幅に向上させ,具体的エージェントがユーザ固有の欲求に迅速に適応できるようにする。
論文 参考訳（メタデータ） (2025-05-28T15:51:13Z) - Modeling and Optimizing User Preferences in AI Copilots: A Comprehensive Survey and Taxonomy [5.985777189633703]
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。
論文 参考訳（メタデータ） (2025-05-28T02:52:39Z) - Enhancing Personalized Multi-Turn Dialogue with Curiosity Reward [11.495697919066341]
本稿では,好奇心に基づく固有報酬をマルチターンRLHFに組み込むために,ユーザモデルを活用することを提案する。
この新たな報酬機構により、LLMエージェントは会話を最適化してユーザモデルの精度を向上させることにより、ユーザ特性を積極的に推測することができる。
提案手法の有効性は,会話推薦タスクにおけるパーソナライズ性能の大幅な向上と,教育環境における異なる学習スタイルにおける会話のパーソナライズという2つの領域で実証する。
論文 参考訳（メタデータ） (2025-04-04T06:35:02Z) - SmartAgent: Chain-of-User-Thought for Embodied Personalized Agent in Cyber World [50.937342998351426]
COUT(Chain-of-User-Thought)は、新しい推論パラダイムである。
我々は、サイバー環境を認識し、パーソナライズされた要求を推論するエージェントフレームワークであるSmartAgentを紹介する。
我々の研究は、まずCOUTプロセスを定式化し、パーソナライズされたエージェント学習を具体化するための予備的な試みとして役立ちます。
論文 参考訳（メタデータ） (2024-12-10T12:40:35Z) - AutoPal: Autonomous Adaptation to Users for Personal AI Companionship [41.41280146492634]
本稿では、パーソナルAIコンパニオンにおける自律的適応の必要性を強調する。
エージェントのペルソナを制御可能かつ真正に調整できる階層型フレームワークであるAutoPalを考案する。
実験はAutoPalの有効性を示し、AIコンパニオンにおける自律的適応性の重要性を強調している。
論文 参考訳（メタデータ） (2024-06-20T03:02:38Z) - AgentCF: Collaborative Learning with Autonomous Language Agents for
Recommender Systems [112.76941157194544]
本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。
我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。
全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
論文 参考訳（メタデータ） (2023-10-13T16:37:14Z)
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。