論文の概要: Preference Guided Iterated Pareto Referent Optimisation for Accessible Route Planning
- arxiv url: http://arxiv.org/abs/2604.00795v1
- Date: Wed, 01 Apr 2026 12:05:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:31.970277
- Title: Preference Guided Iterated Pareto Referent Optimisation for Accessible Route Planning
- Title（参考訳）: アクセシブルルート計画のための優先ガイド付き反復パレート参照最適化
- Abstract要約: 本稿では,アクセシビリティ要件や嗜好の異なる人々を対象とした都市ルート計画のためのPG-IPROを提案する。
このアルゴリズムでは、利用者はルートに対するフィードバックを与えることでシステムと対話することができる。
- 参考スコア（独自算出の注目度）: 7.038328376933223
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose the Preference Guided Iterated Pareto Referent Optimisation (PG-IPRO) for urban route planning for people with different accessibility requirements and preferences. With this algorithm the user can interact with the system by giving feedback on a route, i.e., the user can say which objective should be further minimized, or conversely can be relaxed. This leads to intuitive user interaction, that is especially effective during early iterations compared to information-gain-based interaction. Furthermore, due to PG-IPRO's iterative nature, the full set of alternative, possibly optimal policies (the Pareto front), is never computed, leading to higher computational efficiency and shorter waiting times for users.
- Abstract（参考訳）: 本稿では,異なるアクセシビリティ要件と嗜好を持つ人々を対象とした都市ルート計画のための選好誘導型パレート参照最適化(PG-IPRO)を提案する。
このアルゴリズムでは、利用者はルートに対するフィードバックを与えることでシステムと対話することができる。
これは、情報ゲインベースのインタラクションと比較して、初期のイテレーションで特に有効である、直感的なユーザインタラクションにつながる。
さらに、PG-IPROの反復性のため、選択肢の完全なセットであるおそらく最適なポリシー(パレートフロント)は計算されないため、計算効率が向上し、ユーザの待ち時間が短縮される。
関連論文リスト
- PreferRec: Learning and Transferring Pareto Preferences for Multi-objective Re-ranking [28.35373733496984]
PreferRecは、ユーザ間でParetoの好みを明示的にモデル化し、転送する新しいフレームワークである。
具体的には、PreferRecは複数の競合する目標間のユーザ固有のトレードオフをインテントレベルで捉えることを目的としている。
Knowledge-Guided Transferは、効率的なユーザ間の知識伝達を容易にする。
論文 参考訳（メタデータ） (2026-03-23T15:04:33Z) - Proactive Guiding Strategy for Item-side Fairness in Interactive Recommendation [13.638482554219449]
既存のアプローチは、推奨結果に直接組み込むことで、ロングテールアイテムの露出を促進する。
これにより、ユーザの嗜好と推奨のロングテールアイテムの相違が生じ、長期のユーザエンゲージメントを阻害し、レコメンデーションの有効性を低下させる。
本稿では,階層的強化学習を活用してユーザの好みを徐々にロングテールアイテムに導くインタラクティブな推薦フレームワークHRL4PFGを提案する。
論文 参考訳（メタデータ） (2026-03-03T15:32:42Z) - Tree of Preferences for Diversified Recommendation [54.183647833064136]
データバイアスの観点から、多種多様な推薦について検討する。
本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-12-24T04:13:17Z) - Amortized Active Generation of Pareto Sets [48.56811624922571]
A-GPSは、オンラインの離散ブラックボックスマルチオブジェクト最適化のための新しいフレームワークである。
メソッドは、非支配関係を予測するためにクラス確率推定器を使用する。
この非支配的CPEは,超ボリューム改善の確率を暗黙的に見積もっている。
論文 参考訳（メタデータ） (2025-10-23T23:49:23Z) - Search-Based Interaction For Conversation Recommendation via Generative Reward Model Based Simulated User [117.82681846559909]
会話レコメンデーションシステム(CRS)は、マルチターンインタラクションを使用してユーザの好みを捉え、パーソナライズされたレコメンデーションを提供する。
本稿では,CRSと自動インタラクションを行うための生成報酬モデルに基づくシミュレーションユーザGRSUを提案する。
論文 参考訳（メタデータ） (2025-04-29T06:37:30Z) - Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。
よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
論文 参考訳（メタデータ） (2025-02-05T17:14:45Z) - Optimal Cost-Preference Trade-off Planning with Multiple Temporal Tasks [3.655021726150368]
個別のタスクやその関係性よりも好みを表現できる汎用的な枠組みを提供する新しい選好概念を導入する。
我々は,ユーザの好みに従属する行動と,リソース最適である行動の最適トレードオフ(Pareto)分析を行う。
論文 参考訳（メタデータ） (2023-06-22T21:56:49Z) - Computational Adaptation of XR Interfaces Through Interaction Simulation [4.6193503399184275]
本稿では,ユーザエクスペリエンスとパフォーマンスの向上を目的として,XRインタフェースを適応するための計算手法について論じる。
メニュー選択タスクに適用した新しいモデルでは,認知的コストと運動的コストの両方を考慮してユーザインタラクションをシミュレートする。
論文 参考訳（メタデータ） (2022-04-19T23:37:07Z) - Optimizing Interactive Systems via Data-Driven Objectives [70.3578528542663]
本稿では,観察されたユーザインタラクションから直接目的を推測する手法を提案する。
これらの推論は、事前の知識によらず、様々な種類のユーザー行動にまたがって行われる。
本稿では,これらの推定対象を最適化するために利用する新しいアルゴリズムであるInteractive System(ISO)を紹介する。
論文 参考訳（メタデータ） (2020-06-19T20:49:14Z) - Reward Constrained Interactive Recommendation with Natural Language
Feedback [158.8095688415973]
制約強化強化学習(RL)フレームワークを提案する。
具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。
提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
論文 参考訳（メタデータ） (2020-05-04T16:23:34Z)
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。