論文の概要: Vibrotactile Preference Learning: Uncertainty-Aware Preference Learning for Personalized Vibration Feedback

• arxiv url: http://arxiv.org/abs/2604.20210v2
• Date: Thu, 23 Apr 2026 03:49:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.042022
• Title: Vibrotactile Preference Learning: Uncertainty-Aware Preference Learning for Personalized Vibration Feedback
• Title（参考訳）: Vibrotactile Preference Learning:パーソナライズされた振動フィードバックのための不確かさを考慮したPreference Learning
• Authors: Rongtao Zhang, Xin Zhu, Masoume Pourebadi Khotbehsara, Warren Dao, Erdem Bıyık, Heather Culbertson,
• Abstract要約: 本稿では,Vibrotactile Preference Learning(VPL)を提案する。 VPLは、快適で低負荷のユーザインタラクションを維持しながら、個人の好みを効率的に学習する。
• 参考スコア（独自算出の注目度）: 5.278058867493304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual differences in vibrotactile perception underscore the growing importance of personalization as haptic feedback becomes more prevalent in interactive systems. We propose Vibrotactile Preference Learning (VPL), a system that captures user-specific preference spaces over vibrotactile parameters via Gaussian-process-based uncertainty-aware preference learning. VPL uses an expected information gain-based acquisition strategy to guide query selection over 40 rounds of pairwise comparisons of overall user preference, augmented with user-reported uncertainty, enabling efficient exploration of the parameter space. We evaluate VPL in a user study (N = 13) using the vibrotactile feedback from a Microsoft Xbox controller, showing that it efficiently learns individualized preferences while maintaining comfortable, low-workload user interactions. These results highlight the potential of VPL for scalable personalization of vibrotactile experiences.
• Abstract（参考訳）: バイブロタクティル知覚の個人差は、触覚フィードバックが対話システムにおいてより普及するにつれて、パーソナライズの重要性が増すことを示している。 本稿では,VPL(Vibrotactile Preference Learning)を提案する。 VPLは、期待される情報ゲインベースの取得戦略を使用して、40ラウンドにわたるクエリ選択を、全体的なユーザ嗜好のペアワイズ比較をガイドし、ユーザ報告の不確実性を強化し、パラメータ空間の効率的な探索を可能にする。 ユーザスタディ(N = 13)において,Microsoft Xboxコントローラからのビブロタクティルフィードバックを用いてVPLを評価し,快適で低負荷なユーザインタラクションを維持しつつ,個人の好みを効率よく学習することを示した。 これらの結果は、ビブロタクタクタブル体験のスケーラブルなパーソナライゼーションにおけるVPLの可能性を強調した。

関連論文リスト

• Through Their Eyes: Fixation-aligned Tuning for Personalized User Emulation [11.879346281714453]
  視覚言語モデル(VLM)の視覚的注意とユーザ固有の視線パターンを一致させることで、シミュレーションの精度が向上するかどうかを検討する。 提案手法はまず,解釈可能性演算子を用いてVLMの内部視覚的注意を探索し,スロットレベルの関連性分布を求める。 3つの解釈可能性に基づく探索演算子と2つのアーキテクチャ的に異なるVLMバックボーンを用いた実験は、アテンションアライメントとクリック予測精度の両面で一貫した改善を示している。
  論文  参考訳（メタデータ） (2026-04-10T14:38:45Z)
• 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)
• Incorporating Group Prior into Variational Inference for Tail-User Behavior Modeling in CTR Prediction [8.213386595519928]
  我々は,新しい変分推論手法,すなわちグループ事前サンプリング変分推論(GPSVI)を提案する。 GPSVIは、グループ嗜好を先行として導入し、末尾ユーザーのための潜伏したユーザー関心を洗練させる。 厳密な分析と広範な実験により、GPSVIはテールユーザーの性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2024-10-19T13:15:36Z)
• Relative Preference Optimization: Enhancing LLM Alignment through Contrasting Responses across Identical and Diverse Prompts [95.09994361995389]
  Relative Preference Optimization (RPO) は、同一のプロンプトと関連するプロンプトの両方から、より多く、あまり好まれない応答を識別するように設計されている。 RPOは、大きな言語モデルをユーザの好みに合わせて調整し、トレーニングプロセスにおける適応性を改善する優れた能力を示している。
  論文  参考訳（メタデータ） (2024-02-12T22:47:57Z)
• Vague Preference Policy Learning for Conversational Recommendation [48.868921530958666]
  会話レコメンデーションシステムは通常、ユーザが明確な好みを持っていると仮定し、潜在的に過度なフィルタリングにつながる。 本稿では,Vag Preference Multi-round Conversational Recommendation (VPMCR) シナリオを紹介する。 我々の研究は、ユーザの内在する曖昧さと相対的な意思決定プロセスを調整し、現実の応用性を向上させることでCRSを前進させます。
  論文  参考訳（メタデータ） (2023-06-07T14:57:21Z)
• Personalized Reward Learning with Interaction-Grounded Learning (IGL) [7.898208662809734]
  現代のレコメンデータシステムは、通常、すべてのユーザーに対して暗黙のフィードバック信号の固定的な組み合わせを最適化する。 本稿では,多様なユーザ・コミュニケーション・モダリティの学習表現の課題に対処するために,近年のインタラクション・グラウンドド・ラーニング・パラダイムを適用することを提案する。
  論文  参考訳（メタデータ） (2022-11-28T23:18:10Z)

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。