論文の概要: LLM Agents Enable User-Governed Personalization Beyond Platform Boundaries

• arxiv url: http://arxiv.org/abs/2605.09794v1
• Date: Sun, 10 May 2026 22:31:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.42267
• Title: LLM Agents Enable User-Governed Personalization Beyond Platform Boundaries
• Title（参考訳）: LLMエージェントは,プラットフォーム境界を越えたユーザ権限のパーソナライズを可能にする
• Authors: Jiacheng Lin, Kun Qian, Arvind Srinivasan, Tian Wang, Fang Han, Changran Hu, Junze Liu, Ziyi Wang, Hanwen Xu, Mengmeng Xue, Shuo Yang, Hansi Zeng, Simon Sinong Zhan, Kai Zhong, Weiqi Zhang, Dakuo Wang, Tianhao Wang, Zhiyuan Li,
• Abstract要約: プラットフォーム中心のパーソナライゼーションから,ユーザ主体のパーソナライゼーションへの移行を議論する。 重要な非対称性はデータアクセスにある – 独自のクロスプラットフォームおよびオフライン情報を集約できるのはユーザのみである。 我々は,クロスプラットフォームデータエクスポートと既製のLCMエージェントを備えたユーザが,シングルプラットフォームパーソナライゼーションベースラインを上回る性能を発揮するという概念実証を行う。
• 参考スコア（独自算出の注目度）: 44.615224255419484
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Personalization today is fundamentally platform-centric: services build user representations from the behavioral fragments they observe. Yet no platform can construct a complete picture of the user, as competitive incentives, legal constraints, user privacy concerns, and epistemic limits create persistent data barriers. This paper argues for a shift from platform-centric personalization to user-governed personalization, where only the user can integrate fragmented contexts across platforms and the offline world. The key asymmetry lies in data access: only users can aggregate their own cross-platform and offline information. Large language model (LLM) agents make such integration practically feasible for the first time by enabling reasoning over heterogeneous personal data and transforming users' cross-context information into actionable personalization capabilities. We provide proof-of-concept evidence that users equipped with cross-platform data exports and an off-the-shelf LLM agent can outperform single-platform personalization baselines. We conclude by outlining a research agenda for building scalable user-governed personalization systems.
• Abstract（参考訳）: 現在のパーソナライゼーションは基本的にプラットフォーム中心であり、サービスは観察する振る舞いの断片からユーザ表現を構築する。 しかし、競争インセンティブ、法的制約、ユーザのプライバシに関する懸念、疫学的な制限が永続的なデータバリアを生み出すため、ユーザの完全なイメージを構築するプラットフォームは存在しない。 本稿では、プラットフォーム中心のパーソナライゼーションから、プラットフォームとオフラインの世界にまたがる断片化されたコンテキストをユーザだけが統合できるパーソナライズへのシフトを論じる。 重要な非対称性はデータアクセスにある – 独自のクロスプラットフォームおよびオフライン情報を集約できるのはユーザのみである。 大規模言語モデル(LLM)エージェントは、不均一な個人データを推論し、ユーザのクロスコンテキスト情報を実用的なパーソナライズ機能に変換することで、そのような統合を初めて実現可能にする。 我々は,クロスプラットフォームデータエクスポートと既製のLCMエージェントを備えたユーザが,シングルプラットフォームパーソナライゼーションベースラインを上回り得るという概念実証を行う。 我々は、スケーラブルなユーザ管理型パーソナライゼーションシステムを構築するための研究課題を概説する。

関連論文リスト

• Sparse Personalized Text Generation with Multi-Trajectory Reasoning [95.19317487799292]
  PAT(Personalization with Aligned Trajectories)は、コールドスタートLDMパーソナライズのための推論フレームワークである。 まず、スタイリスティックに類似したユーザからの書き込みスタイルの手がかりと、嗜好に沿ったユーザからのトピック固有のコンテキストの2つの相補的なトラジェクトリに沿って情報を取得する。 次に、強化学習に基づく反復的な二重共振機構を用い、LLMはこれらの信号を共同で洗練し統合することができる。
  論文  参考訳（メタデータ） (2026-04-27T20:58:49Z)
• From Hidden Profiles to Governable Personalization: Recommender Systems in the Age of LLM Agents [44.20821259751986]
  重要なのは、大きな言語モデルがレコメンデーションの品質を高めるだけでなく、ユーザ表現の生成、公開、実行の方法や方法を仲介することです。 隠れプラットフォームプロファイリングから支配可能なパーソナライズへ移行し,ユーザ表現をより検査し,修正可能で,ポータブルで,サービス間を行き来する。
  論文  参考訳（メタデータ） (2026-04-22T00:04:47Z)
• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• Puda: Private User Dataset Agent for User-Sovereign and Privacy-Preserving Personalized AI [0.35132824436572685]
  Pudaは、サービス間でデータを集約し、クライアント側管理を可能にする、ユーザソブリンアーキテクチャである。 Pudaでは,データの共有を3つのプライバシレベル – (i)詳細なブラウジング履歴, (ii)抽出キーワード, (iii)定義済みカテゴリサブセット –でコントロールすることができる。 以上の結果から,プライバシ・パーソナライゼーションのトレードオフを軽減するための実践的な選択肢として,効果的に多粒度管理を可能にすることが示唆された。
  論文  参考訳（メタデータ） (2026-02-09T05:00:48Z)
• LLMs + Persona-Plug = Personalized LLMs [41.60364110693824]
  パーソナライゼーションは多くの言語タスクやアプリケーションにおいて重要な役割を担っている。 これにより、大きな言語モデル(LLM)を適用して、ユーザの好みに合わせてカスタマイズされたアウトプットを生成する、さまざまなパーソナライズされたアプローチが開発された。 そこで我々は,LLMモデルを提案する。軽量なプラグインユーザ埋め込みモジュールを用いて,過去の状況をすべてモデル化し,個人毎のユーザ固有の埋め込みを構築する。
  論文  参考訳（メタデータ） (2024-09-18T11:54:45Z)
• MIMIR: A Streamlined Platform for Personalized Agent Tuning in Domain Expertise [49.83486066403154]
  textscMimirは、パーソナライズされたエージェントチューニングのためのカスタマイズ可能なパイプラインを提供する、合理化されたプラットフォームである。 textscMimirは、同じ入力から一般的な命令チューニングデータセットの生成をサポートする。 textscMimirはこれらの機能を統合されたエンドツーエンドプラットフォームに統合し、パーソナライズされたファイルのアップロードからワンクリックエージェントの微調整まで、あらゆることを容易にする。
  論文  参考訳（メタデータ） (2024-04-03T23:42:38Z)
• Unsupervised Model Personalization while Preserving Privacy and Scalability: An Open Problem [55.21502268698577]
  本研究では,非教師なしモデルパーソナライゼーションの課題について検討する。 この問題を探求するための新しいDual User-Adaptation Framework(DUA)を提供する。 このフレームワークは、サーバ上のモデルパーソナライズとユーザデバイス上のローカルデータ正規化に柔軟にユーザ適応を分散させる。
  論文  参考訳（メタデータ） (2020-03-30T09:35:12Z)

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。