論文の概要: Decisive: Guiding User Decisions with Optimal Preference Elicitation from Unstructured Documents

• arxiv url: http://arxiv.org/abs/2604.18122v1
• Date: Mon, 20 Apr 2026 11:42:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.837628
• Title: Decisive: Guiding User Decisions with Optimal Preference Elicitation from Unstructured Documents
• Title（参考訳）: 決定性: 構造化されていない文書からの最適優先引用によるユーザ決定の誘導
• Authors: Akriti Jain, Anish Mulay, Divyansh Verma, Aishani Pandey, Pritika Ramu, Aparna Garimella,
• Abstract要約: 本稿では,文書的推論とベイズ選好推論を組み合わせた対話型意思決定フレームワークDecisiveを提案する。 提案手法は,ソース文書から抽出した客観的な選択肢選好行列に基づいて決定を下し,対象の選好ベクトルを学習しながら,ユーザの嗜好ベクトルを積極的に学習する。 ユーザは、最終決定に対する情報ゲインを最大化するために、適応的に選択されたペアワイズトレードオフ質問に回答する。
• 参考スコア（独自算出の注目度）: 3.7993411952027163
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Decision-making is a cognitively intensive task that requires synthesizing relevant information from multiple unstructured sources, weighing competing factors, and incorporating subjective user preferences. Existing methods, including large language models and traditional decision-support systems, fall short: they often overwhelm users with information or fail to capture nuanced preferences accurately. We present Decisive, an interactive decision-making framework that combines document-grounded reasoning with Bayesian preference inference. Our approach grounds decisions in an objective option-scoring matrix extracted from source documents, while actively learning a user's latent preference vector through targeted elicitation. Users answer pairwise tradeoff questions adaptively selected to maximize information gain over the final decision. This process converges efficiently, minimizing user effort while ensuring recommendations remain transparent and personalized. Through extensive experiments, we demonstrate that our approach significantly outperforms both general-purpose LLMs and existing decision-making frameworks achieving up to 20% improvement in decision accuracy over strong baselines across domains.
• Abstract（参考訳）: 意思決定(Decision-making)は、複数の非構造化ソースから関連する情報を合成し、競合要因を測り、主観的なユーザー嗜好を取り入れることを必要とする、認知的に集中的なタスクである。 大きな言語モデルや従来の意思決定支援システムを含む既存の手法は不足している。 本稿では,文書的推論とベイズ選好推論を組み合わせた対話型意思決定フレームワークDecisiveを提案する。 提案手法は,ソース文書から抽出した客観的な選択肢選好行列に基づいて決定を下し,対象の選好ベクトルを学習しながら,ユーザの嗜好ベクトルを積極的に学習する。 ユーザは、最終決定に対する情報ゲインを最大化するために、適応的に選択されたペアワイズトレードオフ質問に回答する。 このプロセスは効率的に収束し、ユーザの努力を最小限にし、レコメンデーションが透明でパーソナライズされ続けることを保証します。 広範にわたる実験により,本手法は汎用LLMと既存の意思決定フレームワークの両方において,ドメイン間の強いベースラインに対する決定精度を最大20%向上させることを実証した。

関連論文リスト

• RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation [63.74915464611075]
  RecThinkerはツール拡張推論を推奨するエージェントフレームワークである。 我々はRecThinker専用のツール群を開発し、モデルがユーザアイテム側および協調的な情報を取得することを可能にする。
  論文  参考訳（メタデータ） (2026-03-10T16:07:17Z)
• 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)
• Implementing Rational Choice Functions with LLMs and Measuring their Alignment with User Preferences [15.72977233489024]
  我々は,大規模言語モデルを用いて合理的選択関数を実装する設計原則を提唱した。 自動車分野におけるIUIの実用化に向けた実証的研究を通じて,本手法の適用性を実証する。
  論文  参考訳（メタデータ） (2025-04-22T09:08:21Z)
• Comparative Explanations: Explanation Guided Decision Making for Human-in-the-Loop Preference Selection [6.33238947511697]
  本稿では,MOLONE(Multi-Output LOcal Narrative Explanation)を紹介する。 MOLONEは、PBO(Human-in-the-loop Preference Bayesian Optimization)における選好選択を高めるために設計された新しい比較説明法である。 MOLONEは、より効率的な選択肢の同定を容易にすることにより、ループ内シナリオの収束を著しく促進することを示す。
  論文  参考訳（メタデータ） (2025-04-01T15:23:54Z)
• Beyond Predictions: A Participatory Framework for Multi-Stakeholder Decision-Making [3.3044728148521623]
  本稿では,意思決定をマルチステークホルダー最適化問題として再編成する参加型フレームワークを提案する。 我々のモジュラー・モデルに依存しないフレームワークは、ユーザが提供する予測モデルを微調整するためにk-foldクロスバリデーションを採用している。 合成スコアリング機構は、複数のメトリクスにまたがってユーザ定義の嗜好を集約し、戦略をランク付けする。
  論文  参考訳（メタデータ） (2025-02-12T16:27:40Z)
• Reason4Rec: Large Language Models for Recommendation with Deliberative User Preference Alignment [69.11529841118671]
  本稿では,ユーザの嗜好に関する明確な推論を新たなアライメント目標として組み込んだ,新たなDeliberative Recommendationタスクを提案する。 次にReasoningを利用したRecommenderフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-02-04T07:17:54Z)
• Comparison-based Active Preference Learning for Multi-dimensional Personalization [7.349038301460469]
  大きな言語モデル(LLM)は目覚ましい成功を収めていますが、それらを人間の好みに合わせることは、依然として重要な課題です。 近年,多次元のパーソナライゼーションが研究されている。これはモデルが明示的な嗜好に合った応答を生成できるようにすることを目的としている。 対話的に収集された比較フィードバックから暗黙的なユーザの嗜好を捉えるために,能動多次元選好学習(AMPLe)を提案する。
  論文  参考訳（メタデータ） (2024-11-01T11:49:33Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。