論文の概要: Abstention-Aware Personalized Object Rearrangement via Uncertainty-Guided LLM Assistance

• arxiv url: http://arxiv.org/abs/2606.17309v1
• Date: Mon, 15 Jun 2026 21:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.1505
• Title: Abstention-Aware Personalized Object Rearrangement via Uncertainty-Guided LLM Assistance
• Title（参考訳）: 不確実性誘導型LLMアシストによる個人化オブジェクトのアレンジメントの回避
• Abstract要約: APOLLOは、保持を意識したパーソナライズされたオブジェクト再構成のためのハイブリッドフレームワークである。 軽量でパーソナライズされた埋め込みモデル(PEM)と、選択型大規模言語モデル(LLM)のアシストを組み合わせる。
• 参考スコア（独自算出の注目度）: 4.769747792846005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic assistance in household environments requires not only predicting where objects should be placed, but also reasoning about when objects should not be placed at all. Existing approaches to personalized object rearrangement primarily focus on placement decisions under the assumption of clean observations and complete actionability, limiting their applicability in realistic, cluttered, and partially erroneous settings. In this paper, we introduce APOLLO, a hybrid framework for abstention-aware personalized object rearrangement that combines a lightweight, personalized embedding model (PEM) with selective large language model (LLM) assistance. PEM is trained for each user-environment pair using a small number of demonstrations, operates entirely on CPU, and produces uncertainty estimates, which are used to selectively invoke LLM-based reasoning only for ambiguous decisions, balancing efficiency, privacy, and reasoning capability. To evaluate this formulation beyond existing benchmarks, we introduce APOR, a synthetic, LLM-generated dataset that captures room-level, multi-furniture environments, diverse organizational profiles, explicit abstention behavior, and noisy partial scene context. Extensive experiments on both PARSEC and APOR provide initial evidence that APOLLO improves over prior LLM-based baselines in controlled benchmark settings while substantially reducing LLM usage. Code is available at https://github.com/PaInt-Lab/APOLLO.
• Abstract（参考訳）: 家庭環境におけるロボット支援は、オブジェクトがどこに置かれるべきかを予測するだけでなく、オブジェクトがどこに置かれるべきでないかを推論する必要がある。 パーソナライズされたオブジェクト再構成への既存のアプローチは主に、クリーンな観察と完全な行動可能性の仮定の下での配置決定に焦点を合わせ、現実的で散らばり、部分的に誤った設定で適用性を制限する。 本稿では、軽量でパーソナライズされた埋め込みモデル(PEM)と選択型大言語モデル(LLM)を併用した、禁忌対応のパーソナライズされたオブジェクト再構成のためのハイブリッドフレームワークであるAPOLLOを紹介する。 PEMは、少数のデモを使用して各ユーザ環境ペアに対してトレーニングされ、完全にCPU上で動作し、不確実性推定を生成する。 この定式化を既存のベンチマークを超えて評価するために、室内レベル、多施設環境、多様な組織プロファイル、明示的な禁忌行動、ノイズのある部分的シーンコンテキストをキャプチャする合成LLM生成データセットであるAPORを導入する。 PARSECとAPORの広範な実験は、APOLLOが制御されたベンチマーク設定において、以前のLLMベースのベースラインよりも改善され、LLMの使用が大幅に削減されたという最初の証拠を提供する。 コードはhttps://github.com/PaInt-Lab/APOLLOで入手できる。

関連論文リスト

• Learning POMDP World Models from Observations with Language-Model Priors [52.11151769796862]
  部分的に観測可能なマルコフ決定プロセス(POMDP)は、内部世界モデルのための柔軟なモデリングクラスを提供する。 先行知識を活用することで,言語モデルがコストのかかる相互作用を低減できるかどうかを問う。 我々は,emphPinductor が LLM ベースの POMDP 学習手法の性能とサンプル効率に一致することを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:18:15Z)
• LLMs for Resource Allocation: A Participatory Budgeting Approach to Inferring Preferences [17.089038477886486]
  大規模言語モデル(LLM)は、複雑な意思決定タスクを扱うことがますます期待されているが、構造化されたリソース割り当てを実行する能力はいまだ探索されていない。 i) LLMに基づく資源配分の実践的設定と, (ii) それらの推論能力を評価するための適応ベンチマークとして, PB(Participatory Budgeting)を活用する2目的フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-08T06:45:07Z)
• Evaluating Personalized Tool-Augmented LLMs from the Perspectives of Personalization and Proactivity [17.723293304671877]
  我々は、パーソナライズされたツール呼び出しを評価するための新しいベンチマークETAPPを紹介する。 評価精度を向上させるために,キーポイントに基づく評価手法を提案する。 好み設定とキーポイントに基づく評価手法の有効性も検証した。
  論文  参考訳（メタデータ） (2025-03-02T07:36:22Z)
• Latent Factor Models Meets Instructions: Goal-conditioned Latent Factor Discovery without Task Supervision [50.45597801390757]
  Instruct-LFはゴール指向の潜在因子発見システムである。 命令フォロー機能と統計モデルを統合して、ノイズの多いデータセットを処理する。
  論文  参考訳（メタデータ） (2025-02-21T02:03:08Z)
• LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
  LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
  論文  参考訳（メタデータ） (2025-02-15T02:55:22Z)
• Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
  大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。 個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。 数発のステアライメントのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:14:59Z)
• MetaAlign: Align Large Language Models with Diverse Preferences during Inference Time [50.41806216615488]
  大規模言語モデル(LLM)は、広範なテキストコーパスから広範な知識と顕著な能力を取得する。 LLMをより使いやすくするためには、それらを人間の好みに合わせることが不可欠である。 提案手法は,LLMが推論時に指定される様々な明示的あるいは暗黙的な選好と動的に整合するのを支援することを目的としている。
  論文  参考訳（メタデータ） (2024-10-18T05:31:13Z)
• Embodied Agent Interface: Benchmarking LLMs for Embodied Decision Making [85.24399869971236]
  我々は,大規模言語モデル(LLM)を具体的意思決定のために評価することを目指している。 既存の評価は最終的な成功率にのみ依存する傾向がある。 本稿では,様々なタスクの形式化を支援する汎用インタフェース (Embodied Agent Interface) を提案する。
  論文  参考訳（メタデータ） (2024-10-09T17:59:00Z)

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。