論文の概要: CA-BED: Conversation-Aware Bayesian Experimental Design

• arxiv url: http://arxiv.org/abs/2606.01182v1
• Date: Sun, 31 May 2026 11:46:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.367694
• Title: CA-BED: Conversation-Aware Bayesian Experimental Design
• Title（参考訳）: CA-BED:会話型ベイズ実験設計
• Authors: Daniel Arnould, Rashad Aziz, Zixuan Kang, Tanav Changal, Kevin Zhu, Sunishchal Dev, Gabriel Grand, Shreyas Sunil Kulkarni,
• Abstract要約: 重要な課題は、不確実性を減らす質問を選択することであり、不明瞭または部分的に情報的である可能性のある回答を取り入れている。 確率的対話計画フレームワークであるCA-BED(Conversation-Aware Bayesian Experimental Design)を提案する。 ベイズ実験設計とLLMに基づく確率推定を統合し、複数の会話のターンに対する質問選択を最適化する。
• 参考スコア（独自算出の注目度）: 6.186706480519743
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) excel at static reasoning tasks, yet their performance often degrades in interactive scenarios where information must be actively acquired through questioning. A key challenge lies in selecting questions that reduce uncertainty while incorporating responses that may be ambiguous or only partially informative. To address this, we propose Conversation-Aware Bayesian Experimental Design (CA-BED), an inference-time probabilistic dialog planning framework that integrates Bayesian Experimental Design with LLM-based likelihood estimation to optimize question selection over multiple conversational turns. CA-BED maintains a belief distribution over hypotheses, anticipates possible answers, and propagates expected information gain through a simulated conversation tree. Across two structured entity-deduction benchmarks, CA-BED yields an average 21.8% improvement in success rates over direct prompting, with comparable gains relative to alternative information-seeking methods. It achieves these gains with an average increase of only 1.8 conversational turns compared to direct prompting.
• Abstract（参考訳）: 大規模言語モデル(LLM)は静的推論タスクに優れるが、その性能は質問を通じて情報を積極的に取得しなければならない対話的なシナリオで劣化することが多い。 重要な課題は、不確実性を減らす質問を選択することであり、不明瞭または部分的に情報的である可能性のある回答を取り入れている。 そこで本研究では,ベイズ実験設計とLLMに基づく推定推定を統合して,複数の会話のターンに対する質問選択を最適化する,推論時確率的対話計画フレームワークであるConversation-Aware Bayesian Experimental Design (CA-BED)を提案する。 CA-BEDは仮説上の信念分布を維持し、可能な答えを予測し、シミュレートされた会話ツリーを通じて期待される情報の獲得を伝搬する。 CA-BEDは、2つの構造化されたエンティティ推論のベンチマークで、直接的なプロンプトよりも平均21.8%の成功率が向上し、代替情報探索法と同等の利得が得られる。 直接のプロンプトに比べて、会話のターンは1.8回しか増加しない。

関連論文リスト

• Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
  Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。 近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。 提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
  論文  参考訳（メタデータ） (2025-11-12T08:29:39Z)
• First Ask Then Answer: A Framework Design for AI Dialogue Based on Supplementary Questioning with Large Language Models [0.0]
  First Ask Then Answer (FATA) は応答生成に先立ってユーザに対して多次元補足質問を生成する。 既存の明確化アプローチとは対照的に、FATAは完全性とユーザ参加を重視している。 実験の結果,FATAはB-Promptを約40%上回った。
  論文  参考訳（メタデータ） (2025-08-08T13:39:47Z)
• Pointwise Mutual Information as a Performance Gauge for Retrieval-Augmented Generation [78.28197013467157]
  文脈と問合せの間のポイントワイドな相互情報は,言語モデルの性能向上に有効な指標であることを示す。 本稿では,文書と質問のポイントワイドな相互情報を利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-11-12T13:14:09Z)
• Automated Speaking Assessment of Conversation Tests with Novel Graph-based Modeling on Spoken Response Coherence [11.217656140423207]
  ASACは、1つ以上の候補者と対話する環境でL2話者の全体的な発話能力を評価することを目的としている。 本稿では,広い応答間相互作用とニュアンス付き意味情報の両方を適切に組み込んだ階層グラフモデルを提案する。 NICT-JLEベンチマークデータセットの大規模な実験結果から,提案手法が予測精度を大幅に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-09-11T07:24:07Z)
• Diverse and Faithful Knowledge-Grounded Dialogue Generation via Sequential Posterior Inference [82.28542500317445]
  本稿では,知識の選択と対話生成が可能な,逐次後推論(Sequential Posterior Inference, SPI)と呼ばれるエンドツーエンド学習フレームワークを提案する。 他の方法とは異なり、SPIは推論ネットワークを必要とせず、後部分布の単純な幾何学を仮定する。
  論文  参考訳（メタデータ） (2023-06-01T21:23:13Z)
• Multi-Stage Conversational Passage Retrieval: An Approach to Fusing Term Importance Estimation and Neural Query Rewriting [56.268862325167575]
  マルチステージアドホックIRシステムにクエリ再構成を組み込んだ会話経路検索(ConvPR)に取り組む。 本稿では,1項の重要度推定と2項のニューラルクエリ書き換えという2つの手法を提案する。 前者に対しては、周波数に基づく信号を用いて会話コンテキストから抽出した重要な用語を用いて会話クエリを拡張する。 後者では,会話クエリを,事前訓練されたシーケンス列列列モデルを用いて,自然な,スタンドアロンの,人間の理解可能なクエリに再構成する。
  論文  参考訳（メタデータ） (2020-05-05T14:30:20Z)

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。