論文の概要: TRAFA: Anticipating User Actions to Reduce Errors in Procedural Tasks with Predictive Feedback

• arxiv url: http://arxiv.org/abs/2605.24526v1
• Date: Sat, 23 May 2026 11:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.164166
• Title: TRAFA: Anticipating User Actions to Reduce Errors in Procedural Tasks with Predictive Feedback
• Title（参考訳）: TRAFA:予測フィードバックによる手続き的タスクにおけるエラー低減のためのユーザアクションの予測
• Authors: Sassan Mokhtar, Lars Doorenbos, Fatemeh Jabbari, Marius Bock, Dominik Bach, Juergen Gall,
• Abstract要約: 本稿では,プロシージャタスクのためのリアルタイム予測フィードバックシステムTRAFAを提案する。 TRAFAはTrack-Forecast-Actフレームワークを通じて予測フィードバックを運用する。 その結果,予測フィードバックはタスクの正確性や効率性を向上することがわかった。
• 参考スコア（独自算出の注目度）: 20.81220736856844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interactive assistance systems typically provide feedback after an action has been completed, supporting error recovery but not preventing the error itself. We present TRAFA, a real-time predictive feedback system for procedural tasks that intervenes before errors are committed. TRAFA operationalizes predictive feedback through a Track-Forecast-Act framework that tracks hand and object state, forecasts user motion conditioned on scene context, and triggers feedback when a predicted action is likely to violate task constraints. We instantiate this pipeline in a sequential assembly setting and evaluate it through both technical benchmarking and a controlled user study against conventional reactive feedback. Our results show that predictive feedback improves task accuracy and efficiency while maintaining a comparable number of feedback events. These findings position feedback timing as a key dimension in system design and show how real-time anticipation can be integrated into interactive systems to prevent errors before they occur.
• Abstract（参考訳）: 対話型補助システムは、通常、アクションが完了した後、フィードバックを提供し、エラー回復をサポートするが、エラー自体を防止しない。 本稿では,エラーが発生する前に介入する手続き的タスクのリアルタイム予測フィードバックシステムTRAFAを提案する。 TRAFAは、手とオブジェクトの状態を追跡するTrack-Forecast-Actフレームワークを通じて予測的なフィードバックを運用し、シーンコンテキストに条件付けられたユーザ動作を予測し、予測されたアクションがタスク制約に違反する可能性がある場合にフィードバックをトリガーする。 このパイプラインを逐次的なアセンブリ設定でインスタンス化し、技術的ベンチマークと従来のリアクティブフィードバックに対する制御されたユーザスタディの両方を通じて評価する。 以上の結果から,予測フィードバックはタスクの正確さと効率性を向上し,同じ数のフィードバックイベントを維持できることがわかった。 これらの知見は,フィードバックのタイミングをシステム設計のキーディメンションとして位置づけ,リアルタイム予測を対話型システムに統合してエラーの発生を防止する方法を示す。

関連論文リスト

• Feedback Adaptation for Retrieval-Augmented Generation [36.004563021329965]
  本稿では,RAGシステムにおける問題設定としてフィードバック適応を導入する。 トレーニングベースのアプローチは、遅延補正と信頼性適応のトレードオフを示す。 本結果は,対話型環境下でのRAGシステムの振る舞いを,これまで見過ごされてきた次元として,フィードバック適応を強調した。
  論文  参考訳（メタデータ） (2026-04-08T03:47:48Z)
• CycleVLA: Proactive Self-Correcting Vision-Language-Action Models via Subtask Backtracking and Minimum Bayes Risk Decoding [60.06899554269808]
  サイクロンVLA(CycleVLA)は、VLA(Vision-Language-Action Model)を積極的に自己補正するシステムである。 CycleVLAは、重要なサブタスク遷移ポイントにフラグを付けるプログレス対応のVLAを統合することで、これを実現する。 大規模な実験により、CycleVLAは、よく訓練されたVLAと訓練されていないVLAの両方のパフォーマンスを改善することが示された。
  論文  参考訳（メタデータ） (2026-01-05T17:31:01Z)
• Scene Graph-Guided Proactive Replanning for Failure-Resilient Embodied Agent [9.370683025542686]
  本稿では,サブタスク境界における障害の検出と修正を行う,アクティブなリプランニングフレームワークを提案する。 AI2-THORシミュレータの実験では,実行障害発生前の意味的および空間的ミスマッチを検出する。
  論文  参考訳（メタデータ） (2025-08-15T07:48:51Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• A Unified Framework for Real-Time Failure Handling in Robotics Using Vision-Language Models, Reactive Planner and Behavior Trees [1.3481665321936716]
  本稿では,リアクティブプランナであるVLM(Vision-Language Models)とBT(Behavior Trees)を組み合わせて,リアルタイムの障害処理を実現する,統合された障害復旧フレームワークを提案する。 当社のアプローチには、実行前の潜在的な障害をチェックする事前実行検証と、実行中の障害を検出し修正するリアクティブ障害処理が含まれている。 我々は、ペグ挿入、オブジェクトソート、引き手の配置といったタスクにおいて、ABB YuMiロボットを用いた実世界の実験を通して、我々のフレームワークを評価する。
  論文  参考訳（メタデータ） (2025-03-19T13:40:56Z)
• Rethinking the Evaluation of Dialogue Systems: Effects of User Feedback on Crowdworkers and LLMs [57.16442740983528]
  アドホック検索では、評価は暗黙のフィードバックを含むユーザーの行動に大きく依存する。 アノテータの会話知覚におけるターン評価におけるユーザフィードバックの役割はほとんど研究されていない。 本稿では,タスク指向対話システム(TDS)の評価が,ターンのフォローアップ発話を通じて提供されるユーザフィードバック,明示的あるいは暗黙的な評価にどのように影響するかに注目した。
  論文  参考訳（メタデータ） (2024-04-19T16:45:50Z)
• Simulating Bandit Learning from User Feedback for Extractive Question Answering [51.97943858898579]
  教師付きデータを用いたフィードバックのシミュレーションにより,ユーザフィードバックからの学習を抽出的質問応答に適用する。 当初は少数の例でトレーニングしたシステムが,モデル予測された回答に対するユーザからのフィードバックを劇的に改善できることが示される。
  論文  参考訳（メタデータ） (2022-03-18T17:47:58Z)

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。