論文の概要: PersoPilot: An Adaptive AI-Copilot for Transparent Contextualized Persona Classification and Personalized Response Generation

• arxiv url: http://arxiv.org/abs/2602.04540v1
• Date: Wed, 04 Feb 2026 13:31:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.539473
• Title: PersoPilot: An Adaptive AI-Copilot for Transparent Contextualized Persona Classification and Personalized Response Generation
• Title（参考訳）: PersoPilot: 透明なコンテキストパーソナ分類とパーソナライズされた応答生成のための適応型AIコパイロット
• Authors: Saleh Afzoon, Amin Beheshti, Usman Naseem,
• Abstract要約: PersoPilotはエージェントAIコパイロットで、パーソナ理解とコンテキスト分析を統合し、エンドユーザとアナリストの両方をサポートする。 アナリスト側では、PersoPilotは透明で推論機能を備えたラベリングアシスタントを提供し、アクティブな学習駆動型分類プロセスと統合されている。 適応可能なフレームワークとして、PersoPilotは幅広いサービスパーソナライズシナリオに適用できる。
• 参考スコア（独自算出の注目度）: 22.0977619708149
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Understanding and classifying user personas is critical for delivering effective personalization. While persona information offers valuable insights, its full potential is realized only when contextualized, linking user characteristics with situational context to enable more precise and meaningful service provision. Existing systems often treat persona and context as separate inputs, limiting their ability to generate nuanced, adaptive interactions. To address this gap, we present PersoPilot, an agentic AI-Copilot that integrates persona understanding with contextual analysis to support both end users and analysts. End users interact through a transparent, explainable chat interface, where they can express preferences in natural language, request recommendations, and receive information tailored to their immediate task. On the analyst side, PersoPilot delivers a transparent, reasoning-powered labeling assistant, integrated with an active learning-driven classification process that adapts over time with new labeled data. This feedback loop enables targeted service recommendations and adaptive personalization, bridging the gap between raw persona data and actionable, context-aware insights. As an adaptable framework, PersoPilot is applicable to a broad range of service personalization scenarios.
• Abstract（参考訳）: 効果的なパーソナライゼーションを実現するためには,ユーザペルソナの理解と分類が重要である。 ペルソナ情報は貴重な洞察を提供する一方で、その潜在能力はコンテキスト化時にのみ実現され、ユーザ特性と状況コンテキストをリンクすることで、より正確で意味のあるサービス提供を可能にします。 既存のシステムは、しばしばペルソナとコンテキストを別々の入力として扱い、微妙で適応的な相互作用を生成する能力を制限する。 このギャップに対処するために、エージェントAIコパイロットであるPersoPilotを紹介します。 エンドユーザーは透明で説明可能なチャットインターフェースを通じて対話し、自然言語で好みを表現したり、レコメンデーションをリクエストしたり、即時タスクに適した情報を受け取ることができる。 アナリスト側では、PersoPilotは透明で推論駆動のラベル付けアシスタントを提供し、アクティブな学習駆動型分類プロセスと統合され、新しいラベル付きデータに時間をかけて適応する。 このフィードバックループは、ターゲットのサービスレコメンデーションと適応的なパーソナライゼーションを可能にし、生のペルソナデータとアクション可能なコンテキスト認識の洞察とのギャップを埋める。 適応可能なフレームワークとして、PersoPilotは幅広いサービスパーソナライズシナリオに適用できる。

関連論文リスト

• Mem-PAL: Towards Memory-based Personalized Dialogue Assistants for Long-term User-Agent Interaction [55.24448139349266]
  PAL-Benchは、長期ユーザエージェントインタラクションにおけるサービス指向アシスタントのパーソナライズ機能を評価するために設計された新しいベンチマークである。 サービス指向のインタラクションをパーソナライズするために、階層的で異質なメモリフレームワークであるH$2$Memoryを提案する。
  論文  参考訳（メタデータ） (2025-11-17T14:22:32Z)
• Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles [0.4885400580268118]
  大規模言語モデル(LLM)はAIエージェントの中央制御ユニットとしての役割を担っている。 本稿では、パーソナライズされた長期的なインタラクションを実現するために、永続メモリ、動的コーディネーション、自己検証、およびユーザプロファイルの進化を統合するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T08:22:16Z)
• Personalized Vision via Visual In-Context Learning [62.85784251383279]
  パーソナライズされた視覚のためのビジュアル・イン・コンテキスト・ラーニング・フレームワークを提案する。 PICOは基盤となる変換を推測し、再トレーニングせずに新しい入力に適用する。 また,効率的な推論スケーリングによる信頼性向上を目的とした注意誘導型シードスコアラを提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:58:45Z)
• Steerable Chatbots: Personalizing LLMs with Preference-Based Activation Steering [4.3537491807568465]
  我々はアクティベーションステアリングを活用して、大きな言語モデルを推論中にユーザの好みに合わせるように誘導する。 より長いユーザ履歴を必要とするメモリベースのパーソナライズ手法とは対照的に、ステアリングは非常に軽量であり、ユーザによって容易に制御できる。 その結果, ユーザの好みを隠蔽した実世界の会話を協調させるため, 嗜好に基づくステアリングの有効性が示された。
  論文  参考訳（メタデータ） (2025-05-07T09:10:51Z)
• Enhancing Personalized Multi-Turn Dialogue with Curiosity Reward [15.054368169735872]
  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)
• PersonaBench: Evaluating AI Models on Understanding Personal Information through Accessing (Synthetic) Private User Data [76.21047984886273]
  パーソナライゼーションは、AIアシスタント、特に個々のユーザーと連携するプライベートAIモデルのコンテキストにおいて重要である。 このようなデータのセンシティブな性質のため、AIモデルのユーザ理解能力を評価するためのデータセットは公開されていない。 多様なユーザプロファイルを作成する合成データ生成パイプラインと、人間の活動をシミュレートするプライベートドキュメントを導入する。
  論文  参考訳（メタデータ） (2025-02-28T00:43:35Z)
• Collaborative Instance Object Navigation: Leveraging Uncertainty-Awareness to Minimize Human-Agent Dialogues [54.81155589931697]
  協調インスタンスオブジェクトナビゲーション(CoIN)は、エージェントがターゲットインスタンスに関する不確実性を積極的に解決する新しいタスク設定である。 未認識者に対するエージェント・ユーザインタラクション(AIUTA)の新たな学習自由化手法を提案する。 まず、オブジェクト検出時に、セルフクエチオナーモデルがエージェント内で自己対話を開始し、完全かつ正確な観察記述を得る。 インタラクショントリガーモジュールは、人間に質問するか、継続するか、ナビゲーションを停止するかを決定する。
  論文  参考訳（メタデータ） (2024-12-02T08:16:38Z)
• A Neural Topical Expansion Framework for Unstructured Persona-oriented Dialogue Generation [52.743311026230714]
  Persona Exploration and Exploitation (PEE)は、事前に定義されたユーザペルソナ記述を意味論的に相関したコンテンツで拡張することができる。 PEEはペルソナ探索とペルソナ搾取という2つの主要なモジュールで構成されている。 提案手法は, 自動評価と人的評価の両面で, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-06T08:24:33Z)

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。