論文の概要: LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms

• arxiv url: http://arxiv.org/abs/2603.11333v1
• Date: Wed, 11 Mar 2026 21:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.666342
• Title: LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms
• Title（参考訳）: ショートビデオプラットフォームにおける政策評価のためのLCM強化ディジタルツイン
• Authors: Haoting Zhang, Yunduan Lin, Jinghai He, Denglin Jiang, Zuo-Jun, Shen, Zeyu Zheng,
• Abstract要約: ショートビデオプラットフォームはクローズドループ、ヒューマン・イン・ザ・ループのエコシステムであり、ポリシー、クリエーターのインセンティブ、ユーザー行動が共進化する。 モジュール式4ツインアーキテクチャを持つショートビデオプラットフォームに対して,大規模言語モデル(LLM)を付加したディジタルツインを提案する。
• 参考スコア（独自算出の注目度）: 12.693132563364342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-video platforms are closed-loop, human-in-the-loop ecosystems where platform policy, creator incentives, and user behavior co-evolve. This feedback structure makes counterfactual policy evaluation difficult in production, especially for long-horizon and distributional outcomes. The challenge is amplified as platforms deploy AI tools that change what content enters the system, how agents adapt, and how the platform operates. We propose a large language model (LLM)-augmented digital twin for short-video platforms, with a modular four-twin architecture (User, Content, Interaction, Platform) and an event-driven execution layer that supports reproducible experimentation. Platform policies are implemented as pluggable components within the Platform Twin, and LLMs are integrated as optional, schema-constrained decision services (e.g., persona generation, content captioning, campaign planning, trend prediction) that are routed through a unified optimizer. This design enables scalable simulations that preserve closed-loop dynamics while allowing selective LLM adoption, enabling the study of platform policies, including AI-enabled policies, under realistic feedback and constraints.
• Abstract（参考訳）: ショートビデオプラットフォームはクローズドループ、ヒューマン・イン・ザ・ループのエコシステムであり、プラットフォームポリシー、クリエーターのインセンティブ、ユーザー行動が共進化する。 このフィードバック構造は、特に長期的および分散的な結果に対して、生産において対実的な政策評価を困難にしている。 この課題は、プラットフォームがシステムに入るコンテンツ、エージェントの適応方法、プラットフォームの動作方法を変えるAIツールをデプロイすることで増幅される。 本稿では,大規模言語モデル (LLM) による短いビデオプラットフォーム用デジタルツインを提案し,モジュール型4ツインアーキテクチャ (ユーザ,コンテンツ,インタラクション,プラットフォーム) と再現可能な実験をサポートするイベント駆動実行層を提案する。 プラットフォームポリシは、Platform Twin内のプラグイン可能なコンポーネントとして実装され、LCMは、統一オプティマイザを介してルーティングされるスキーマ制約のある決定サービス(例えば、ペルソナ生成、コンテンツキャプション、キャンペーン計画、トレンド予測)として統合される。 この設計は、クローズドループのダイナミクスを保ちつつ、選択的LLMの採用を可能にし、現実的なフィードバックと制約の下でAI対応ポリシーを含むプラットフォームポリシーの研究を可能にするスケーラブルなシミュレーションを可能にする。

関連論文リスト

• Review of Tools for Zero-Code LLM Based Application Development [0.6978180153516672]
  大規模言語モデル(LLM)は、コード開発プラットフォームをゼロにすることで、ソフトウェア作成を変革している。 我々の調査では、LCMを開発プロセスの頭脳として活用することで、コードを書かずにアプリケーションを構築できる最近のプラットフォームについてレビューした。
  論文  参考訳（メタデータ） (2025-10-22T16:41:16Z)
• Personalized Learning Path Planning with Goal-Driven Learner State Modeling [68.96987567845824]
  パーソナライズされた学習パスのための新しいフレームワークであるPxploreを紹介する。 構造化学習状態モデルと,抽象目的を計算可能な信号に変換する自動報酬関数を設計する。 実験は、コヒーレントでパーソナライズされた目標駆動学習パスを生成する上で、Pxploreの有効性を検証する。
  論文  参考訳（メタデータ） (2025-10-15T06:59:49Z)
• LLM Chatbot-Creation Approaches [0.18374319565577157]
  本研究では、AnythingLLMやBotpressのようなローコードプラットフォームと、LangChain、FAISS、FastAPIを使ったカスタムコードソリューションの2つの開発アプローチを比較した。 ローコードプラットフォームは迅速なプロトタイピングを可能にする一方で、カスタマイズとスケーリングの制限に直面している。
  論文  参考訳（メタデータ） (2025-08-28T02:37:24Z)
• Navigation Pixie: Implementation and Empirical Study Toward On-demand Navigation Agents in Commercial Metaverse [3.05484549776329]
  本稿では,構造化空間メタデータと自然言語処理を統合した疎結合アーキテクチャを用いたオンデマンドナビゲーションエージェントであるNavigation Pixieを提案する。 99のPCクライアントと94のVR-HMD参加者による商用メタバースプラットフォームであるClusterのクロスプラットフォーム実験では、Navigation Pixieが居住時間と自由探索時間を大幅に増加させることを示した。 本研究は,対話型空間ナビゲーションエージェントによるVRインタラクション設計の進展に寄与する。
  論文  参考訳（メタデータ） (2025-08-05T08:45:34Z)
• Platform-Aware Mission Planning [50.56223680851687]
  本稿では,PAMP(Platform-Aware Mission Planning)の問題を紹介する。 第1のベースラインアプローチはミッションレベルとプラットフォームレベル、第2のベースラインアプローチは抽象リファインメントループに基づいている。 提案手法の健全性と完全性を実証し,実験により検証する。
  論文  参考訳（メタデータ） (2025-01-16T16:20:37Z)
• Efficient Adaptation in Mixed-Motive Environments via Hierarchical Opponent Modeling and Planning [51.52387511006586]
  本稿では,HOP(Hierarchical Opponent Modeling and Planning)を提案する。 HOPは階層的に2つのモジュールから構成される: 相手の目標を推論し、対応する目標条件のポリシーを学ぶ、反対モデリングモジュール。 HOPは、さまざまな未確認エージェントと相互作用する際、優れた少数ショット適応能力を示し、セルフプレイのシナリオで優れている。
  論文  参考訳（メタデータ） (2024-06-12T08:48:06Z)
• LLM Platform Security: Applying a Systematic Evaluation Framework to OpenAI's ChatGPT Plugins [31.678328189420483]
  大規模言語モデル(LLM)プラットフォームは先頃,インターネット上のサードパーティサービスとインターフェースするアプリエコシステムの提供を開始した。 これらのアプリはLLMプラットフォームの機能を拡張しているが、任意のサードパーティによって開発されており、暗黙的に信頼できない。 LLMプラットフォーム設計者のための基盤を築き,現在および将来のサードパーティのLDMプラットフォームのセキュリティ,プライバシ,安全性を解析し,改善するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-19T02:20:10Z)
• Modular Deep Reinforcement Learning for Continuous Motion Planning with Temporal Logic [59.94347858883343]
  本稿では,マルコフ決定過程(MDP)をモデルとした自律動的システムの運動計画について検討する。 LDGBA と MDP の間に組込み製品 MDP (EP-MDP) を設計することである。 モデルフリー強化学習(RL)のためのLDGBAベースの報酬形成と割引スキームは、EP-MDP状態にのみ依存する。
  論文  参考訳（メタデータ） (2021-02-24T01:11:25Z)

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。