論文の概要: LUCid: Redefining Relevance For Lifelong Personalization

• arxiv url: http://arxiv.org/abs/2604.26996v1
• Date: Wed, 29 Apr 2026 01:21:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.705807
• Title: LUCid: Redefining Relevance For Lifelong Personalization
• Title（参考訳）: LUCid:生涯のパーソナライゼーションの関連性を再定義
• Authors: Chimaobi Okite, Anika Misra, Joyce Chai, Rada Mihalcea,
• Abstract要約: LUCidは、パーソナライゼーションにおける状況的ユーザ中心の関連性を測定するために設計されたベンチマークである。 関連する文脈を意味的に離れた歴史から表わさなければならない場合,性能は著しく低下する。 その結果、現在のシステムによってコード化されている関連性の概念と、パーソナライズに必要な状況的関連性との間には、根本的なミスマッチが生じている。
• 参考スコア（独自算出の注目度）: 43.49796256500974
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current approaches to lifelong personalization operationalize relevance through semantic proximity, causing them to miss essential user information from topically unrelated interactions. To address this gap, we introduce LUCid, a benchmark designed to measure situational user-centric relevance in personalization. The benchmark consists of 1,936 realistic queries paired with interaction histories from up to 500 sessions. Across multiple architectures, our experiments show significant performance collapse when relevant context must be surfaced from semantically distant history: retrieval recall drops to near zero on the hardest instances, and response alignment remains near 50% even for state-of-the-art models such as Gemini-3-Flash, GPT-5.4, and Claude Haiku. These results expose a fundamental mismatch between the notion of relevance encoded by current systems and the situational relevance required for personalization, with direct implications for robustness and safety when critical user attributes remain undetected. LUCid enables the systematic evaluation of whether current models can surface situationally-relevant user information from previous interactions, and serves as a step toward realigning personalization with user-centered relevance.
• Abstract（参考訳）: 生涯にわたるパーソナライゼーションへの現在のアプローチは、意味的近接を通じて関連性を運用し、トポロジとは無関係なインタラクションから重要なユーザ情報を見逃してしまう。 このギャップに対処するために、パーソナライズにおける状況的ユーザ中心の関連性を測定するためのベンチマークであるLUCidを紹介する。 ベンチマークは,最大500セッションのインタラクション履歴と組み合わせた,1,936のリアルクエリで構成されている。 検索リコールは,Gemini-3-Flash, GPT-5.4, Claude Haikuなどの最先端モデルでも50%近く, 応答アライメントが残っている。 これらの結果は、現在のシステムによってコード化されている関連性の概念とパーソナライズに必要な状況的関連性との間には根本的なミスマッチがあり、重要なユーザ属性が未検出のままである場合に、ロバスト性や安全性に直接影響する。 LUCidは、現在のモデルが過去のインタラクションから状況に応じたユーザ情報を提示できるかどうかを体系的に評価し、ユーザ中心の関連性によるパーソナライズの実現に向けたステップとして機能する。

関連論文リスト

• PERMA: Benchmarking Personalized Memory Agents via Event-Driven Preference and Realistic Task Environments [72.02445514666428]
  静的な嗜好リコールを超えてペルマの一貫性を評価するためのベンチマークであるPERMAを紹介する。 PerMAは、複数のセッションとドメインにまたがる時間的に順序付けられたインタラクションイベントと、時間とともに好みに関連するクエリで構成されている。 実験により、関連するインタラクションをリンクすることで、高度なメモリシステムはより正確な好みを抽出し、トークン消費を減らすことができることが示された。
  論文  参考訳（メタデータ） (2026-03-24T14:04:11Z)
• AlpsBench: An LLM Personalization Benchmark for Real-Dialogue Memorization and Preference Alignment [54.72137309071243]
  AlpsBenchはWildChatからキュレートされた2500の長期的相互作用配列から構成され、人間によって検証された構造化記憶と組み合わせられる。 我々は、パーソナライズされた情報抽出、更新、検索、利用の4つの重要なタスクを定義し、メモリ管理のライフサイクル全体を評価するためのプロトコルを確立する。 i)モデルが潜在ユーザ特性を確実に抽出するのに苦労していること、(ii)メモリ更新が最強モデルでもパフォーマンス天井に直面すること、(iii)大きなイントラクタプールの存在下での検索精度が急激に低下すること、(iv)明示的なメモリ機構がリコールを改善する一方で、リコールは行わないこと、などである。
  論文  参考訳（メタデータ） (2026-03-09T11:06:19Z)
• O-Mem: Omni Memory System for Personalized, Long Horizon, Self-Evolving Agents [60.1848551962911]
  O-Memはアクティブユーザプロファイリングに基づく新しいメモリフレームワークである。 O-Memはペルソナ属性とトピック関連コンテキストの階層的検索をサポートする。
  論文  参考訳（メタデータ） (2025-11-17T16:55:19Z)
• Mind the Gap! Static and Interactive Evaluations of Large Audio Models [55.87220295533817]
  大型オーディオモデル(LAM)は、音声ネイティブな体験をパワーアップするために設計されている。 本研究は,484名の参加者から,LAMを評価し,7,500名のLAMインタラクションを収集する対話的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-21T20:29:02Z)
• Context-Aware Prediction of User Engagement on Online Social Platforms [15.847199578750924]
  我々は、コンテキスト対応モデリングアプローチが、オンラインソーシャルプラットフォーム上でのユーザエンゲージメントの全体的かつ軽量な表現を提供する可能性を示唆するデータを提示する。 約8万人から1億以上のSnapchatセッションを分析しています。 スマートフォンの接続状況,位置,時間的コンテキスト,天候に関連する特徴は,ユーザエンゲージメントの非冗長なばらつきを捉えている。
  論文  参考訳（メタデータ） (2023-10-23T03:36:35Z)
• On-device modeling of user's social context and familiar places from smartphone-embedded sensor data [7.310043452300736]
  ユーザの社会的文脈とその位置をモデル化するための,新しい,教師なし,軽量なアプローチを提案する。 ユーザとそのデバイス間の物理的およびサイバー的ソーシャルインタラクションに関連するデータを活用する。 日常の状況を認識するための3つの機械学習アルゴリズムの性能を示す。
  論文  参考訳（メタデータ） (2022-05-18T08:32:26Z)

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。