論文の概要: Large-Language-Models-as-a-Judge in Theory-Agnostic Adaptive Metric-Alignment for Prototypical Networks in Personality Recognition
- arxiv url: http://arxiv.org/abs/2607.08374v1
- Date: Thu, 09 Jul 2026 11:49:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.511692
- Title: Large-Language-Models-as-a-Judge in Theory-Agnostic Adaptive Metric-Alignment for Prototypical Networks in Personality Recognition
- Title（参考訳）: パーソナリティ認識のための理論非依存的適応メトリックアライメントにおける大言語モデル・アズ・ア・ジャッジ
- Abstract要約: JAM ((J)udge for (A)daptive (M)etric-Alignment) は、学習を適応から予め定義されたパーソナリティ理論にシフトさせる理論に依存しない枠組みである。
トレーニングや推論中にモデルをどんな人格分類にも制約するのではなく、この枠組みは一般化可能な心理学的表現を学ぶ。
実験により、JAMはクロスフレームワークとパフォーマンスを改善し、理論に依存しないパーソナリティ理論への強力な一歩を確立した。
- 参考スコア（独自算出の注目度）: 1.5549575848462318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personality recognition has traditionally been constrained by theory-dependent formulations, where models are trained to fit predefined psychological taxonomies rather than uncovering shared underlying behavioral structure. This limits generalization, as personality itself is better understood as theory-invariant, while existing annotations reflect only partial and sometimes inconsistent views of the same latent traits. In this work, we introduce JAM ((J)udge for (A)daptive (M)etric-Alignment), a theory-agnostic framework that shifts learning from adapting to predefined personality theories toward discovering unified latent pseudo-facets that capture shared psychological structure. Rather than constraining the model to any personality taxonomy during training or inference, the framework learns generalizable psychological representations and can infer an individual's latent psychological profile directly from the textual samples, without requiring theory-specific labels. JAM achieves this through an Attention-Pooled Graph Prototypical Network that learns structured representations via clustering in embedding space, together with a Cross-Theory Harmonization (CTH) approach that integrates (i) Human-Guided Linkage and (ii) Machine-Induced Consensus to unify heterogeneous datasets without relying on predefined labels. To further improve robustness and data quality, we incorporate an LLM-as-a-Judge mechanism operating in two configurations, (i) LLM-before-the-loop and (ii) LLM-in-the-loop which identifies ambiguous samples to guide adaptive metric learning. Experiments show that JAM improves cross-framework generalization and performance, establishing a strong step toward theory-agnostic personality inference and supporting low-resource personality theories. The related code repository, model weights, and artifacts are available at https://research.jingjietan.com/JAM
- Abstract（参考訳）: パーソナリティ認識は伝統的に理論に依存した定式化によって制約されており、モデルでは、共通の行動構造を明らかにするのではなく、事前に定義された心理的分類に適合するように訓練されている。
このことは、パーソナリティ自体が理論不変として理解されているのに対して、既存のアノテーションは、同じ潜在形質の部分的および時には矛盾したビューのみを反映しているため、一般化を制限する。
本研究では,JAM(J)udge for (A)daptive (M)etric-Alignment(A)daptive (M)etric-Alignment(M))について紹介する。
このフレームワークは、トレーニングや推論中にモデルをいかなる人格分類にも制約するのではなく、一般化可能な心理学的表現を学び、理論固有のラベルを必要とせず、テキストサンプルから直接個人の潜在心理学的プロファイルを推測することができる。
JAMはAttention-Pooled Graph Prototypeal Networkを通じてこれを達成し、埋め込み空間のクラスタリングを通じて構造化表現を学習し、CTH(Cross-Theory Harmonization)アプローチと統合する。
(i)人間ガイドリンケージ
(II) 予め定義されたラベルに頼ることなく、異種データセットを統一するための機械による合意。
LLM-as-a-Judge機構を2つの構成で動作させる。
一 LLM-before-the-loop 及び
(II)LLM-in-the-loopは不明瞭なサンプルを同定し,適応的メトリック学習を指導する。
実験により、JAMはクロスフレームの一般化と性能を改善し、理論に依存しないパーソナリティ推論への強力なステップを確立し、低リソースパーソナリティ理論をサポートすることが示された。
関連コードリポジトリ、モデルウェイト、アーティファクトはhttps://research.jingjietan.com/JAMで公開されている。
関連論文リスト
- Do LLMs Have Values? A Quantitative Analysis and Alignment Framework for Values in Large Language Models [49.45276299939287]
大規模言語モデル(LLM)は、ますます複雑な主観的タスクを扱うようになっている。
LLMは、マイナーな単語変更で予測不能に変動する。
この双対性を解決することは 信頼できるAIアライメントに 不可欠です
論文 参考訳（メタデータ） (2026-09-15T03:35:04Z) - Improving General Role-Playing Agents via Psychology-Grounded Reasoning and Role-Aware Policy Optimization [62.82109000444373]
Psy-CoTは、事前応答推論を3つの役割固有のステップに分解する、思考の連鎖フレームワークである。
CoSER, CharacterBench, CharacterEvalの実験は、Psy-CoTが既存のロールプレイングCoTメソッドより優れていることを示した。
論文 参考訳（メタデータ） (2026-06-25T13:34:47Z) - The Art of Interrogation: Consistency Amplifies Factuality in Spatial Reasoning [65.67266333751569]
現在のLRM(Large Reasoning Models)は、空間推論タスクにおいて顕著な汎用性を示すが、性能は著しく劣る。
本研究では,内的推論プロセスを対象とした自己指導型強化学習フレームワークを提案する。
このラベルのない整合性トレーニングは,地道的な監督によって訓練されたモデルの精度にアプローチし,多様なタスクやデータ領域にまたがる同様の一般化を実現することを示す。
論文 参考訳（メタデータ） (2026-06-10T10:50:06Z) - Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment [53.50824432699408]
Traits Run Deeperは、新しいパーソナリティアセスメントフレームワークである。
MFR(Multimodal Foundation Representation)、TSMF(Trit-Specific Modality Fusion)、DCPR(Distributed-Calibrated Personality Regression)の3つのコンポーネントで構成されている。
論文 参考訳（メタデータ） (2026-06-09T06:38:36Z) - Position: LLMs Must Use Functor-Based and RAG-Driven Bias Mitigation for Fairness [0.09558392439655011]
本稿では,大規模言語モデル(LLM)における人口統計学とジェンダーバイアスについて論じる。
関手に基づくマッピングとRAGによる文脈的グラウンド化による構造的デバイアス化を組み合わせることで、公平かつ公平なモデル出力を提供することができる包括的フレームワークの概要を述べる。
論文 参考訳（メタデータ） (2026-03-07T22:40:44Z) - Structured Personality Control and Adaptation for LLM Agents [11.050618253938126]
大規模言語モデル(LLM)は、ますますヒトとコンピュータの相互作用(HCI)を形作っている
ユング心理学的タイプを用いたLLMパーソナリティをモデル化する枠組みを提案する。
この設計により、エージェントは対話要求に応じて動的に調整しながらニュアンス付き特性を維持することができる。
論文 参考訳（メタデータ） (2026-01-15T03:15:24Z) - Cognitive Alignment in Personality Reasoning: Leveraging Prototype Theory for MBTI Inference [33.207642254711]
ProtoMBTIは、LLMベースのパイプライン内でプロトタイプ理論を運用するMBTI推論のためのフレームワークである。
その結果, 推論プロセスと心理的プロトタイプ推論の整合性は, テキストベースパーソナリティモデリングの精度, 解釈可能性, 伝達性が向上することが示唆された。
論文 参考訳（メタデータ） (2025-10-31T02:45:30Z) - Activation-Space Personality Steering: Hybrid Layer Selection for Stable Trait Control in LLMs [10.99947795031516]
大きな言語モデルは、その世代において暗黙の個性を示すが、特定のニーズを満たすためにこれらの特性を確実に制御または調整することは、未解決の課題である。
本稿では,大きな5つのパーソナリティ特性を用いて,変圧器層から隠れ状態のアクティベーションを抽出するパイプラインを提案する。
本研究により, 人格特性が低ランク共有部分空間を占有し, これらの潜在構造を有効操舵機構に変換できることが判明した。
論文 参考訳（メタデータ） (2025-10-29T05:56:39Z) - Modeling Psychological Profiles in Volleyball via Mixed-Type Bayesian Networks [1.0049966907980128]
潜在Max-Min Hill-Climbing (MMHC) を用いた混合型変数間の有向関係の学習
サンプルサイズ,疎度,寸法のシミュレーションでは,MMHCは最近のコプラベース学習者よりも低い構造ハミング距離と高いエッジリコールを実現する。
バレーボールに応用すると、学習ネットワークはゴール設定と自己自信に関するメンタルスキルを組織し、感情的な覚醒的リンクと不安を関連づける。
論文 参考訳（メタデータ） (2025-09-26T09:31:18Z) - From Tokens to Thoughts: How LLMs and Humans Trade Compression for Meaning [63.25540801694765]
大きな言語モデル (LLMs) は言語能力を示すが、同じバランスをとれるかどうかは不明だ。
本稿では,LLMと人間を定量的に比較するために,Information Bottleneckの原理を適用した。
論文 参考訳（メタデータ） (2025-05-21T16:29:00Z) - A Theoretical Analysis of Self-Supervised Learning for Vision Transformers [66.08606211686339]
マスク付きオートエンコーダ(MAE)とコントラスト学習(CL)は異なる種類の表現をキャプチャする。
我々は,MAEとCLの両目的に対して,一層ソフトマックス型視覚変換器(ViT)のトレーニングダイナミクスについて検討した。
論文 参考訳（メタデータ） (2024-03-04T17:24:03Z) - Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
セマンティックセグメンテーションのための自己適応型アプローチを提案する。
整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。
実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
論文 参考訳（メタデータ） (2022-08-10T12:29:01Z)
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。