論文の概要: Hard Rules, Soft Preferences: Bridging Reasoning, Learning, and Optimization for Personalized Packing Checklist Generation
- arxiv url: http://arxiv.org/abs/2607.15562v1
- Date: Fri, 17 Jul 2026 02:11:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.73518
- Title: Hard Rules, Soft Preferences: Bridging Reasoning, Learning, and Optimization for Personalized Packing Checklist Generation
- Title（参考訳）: ハードルール,ソフトな選好:パーソナライズされたパッケージチェックリスト生成のためのブリッジング推論,学習,最適化
- Abstract要約: 既存のパッキングアシスタントはテンプレート駆動、ジェネリック、レコメンデーション駆動だが制約なし、ユーザーは手動で規制やキャパシティ違反をパッチしなければならない。
本研究では,(1)明示的な依存構造を持つ規則付きルーブリックシードを生成するシンボリックエンジン,(2)包摂性とユーティリティを推定する2段階の選好学習装置,(3)コンパクトで準拠したサブセットを選択するCP-MART-SATの3段階からなる推論誘導学習フレームワークを提案する。
iOSのプロダクショントラベルアプリであるFlyEnJoyへのデプロイでは、チェックリストの完了が倍増し、編集と完了時間が短縮された。
- 参考スコア（独自算出の注目度）: 1.527888781756971
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Packing for air travel is recurring and error-prone: the checklist must be personal and context-aware, yet feasible under safety rules, item dependencies, and luggage limits. Existing packing assistants are template-driven and generic, or recommendation-driven but unconstrained, leaving users to manually patch regulatory and capacity violations. We propose a reasoning-guided learning framework with three stages: (1) a symbolic engine that generates a regulation-aware seed checklist with explicit dependency structure, (2) a two-stage preference learner that estimates inclusion and priority utilities from user add and remove actions while mitigating survivorship bias, and (3) a CP-SAT optimizer that selects a compact, compliant subset. The architecture instantiates a general pattern for constrained personalization, applicable wherever hard feasibility coexists with sparse preference signals. On 604 labeled trip scenarios, comprising 29K inclusion labels and 343K pairwise comparisons, the symbolic engine attains 99.7% recall and 0.96 rubric validity, compared with 0.78 to 0.81 for frontier LLMs. Gradient-boosted trees and LambdaMART reach an AUC-ROC of 0.943 and an NDCG@5 of 0.923. CP-SAT attains 100% constraint satisfaction, compared with 28% for greedy selection and 10% for random selection. Deployment in FlyEnJoy, a production iOS travel app, doubled checklist completions and reduced editing and completion time.
- Abstract（参考訳）: チェックリストは個人的でコンテキスト対応でなければならないが、安全ルール、アイテム依存、荷物の制限の下では実現可能である。
既存のパッキングアシスタントはテンプレート駆動、ジェネリック、レコメンデーション駆動だが制約なし、ユーザーは手動で規制やキャパシティ違反をパッチしなければならない。
本研究では,(1)明示的な依存構造を持つ規則付きシードチェックリストを生成するシンボリックエンジン,(2)ユーザからのインクルージョンと優先ユーティリティを推定する2段階優先学習,(3)コンパクトで準拠したサブセットを選択するCP-SATオプティマイザの3段階からなる推論誘導学習フレームワークを提案する。
このアーキテクチャは、シャープな選好信号とハードフィーザビリティが共存する場所に適用可能な、制約付きパーソナライズのための一般的なパターンをインスタンス化する。
29Kのラベルと343Kのペア比較を含む604のラベル付きトリップシナリオでは、記号エンジンは99.7%のリコールと0.96のルーリックな妥当性を獲得し、フロンティアLSMは0.78から0.81であった。
優占木とLambdaMARTはAUC-ROC 0.943、NDCG@5 0.923に達する。
CP-SATは、欲求選択の28%、無作為選択の10%と比較して100%の制約満足度が得られる。
iOSのプロダクショントラベルアプリであるFlyEnJoyへのデプロイでは、チェックリストの完了が倍増し、編集と完了時間が短縮された。
関連論文リスト
- SCX Router: Streaming Zero-Shot Model Selection with a Decoder-KV Classifier and a Real-World Task Ontology [47.16406021922537]
本稿では,GLiClassをベースとした軽量ルータであるルータを紹介し,自動生成なしで各推論時間モデルラベルに適合点を割り当てる。
タスク生成には、23のファミリー、115のタスクタイプ、345のルータブルなサブタイプ、1,173の合成例と30のドメインの軸を持つタスク構造を構築する。
次に、これらのタスクでQwen3デコーダをトレーニングし、学習された要求予測を、適格性、コスト、キャッシュ再利用、安全性、主権といった属性に対するタスクごとのポリシーから明確に分離します。
論文 参考訳（メタデータ） (2026-09-02T08:40:07Z) - LAPF: LLM-Agent-Based Path Finder Using the UAVScenes Dataset [8.27333944529512]
本稿では,都市規模屋外環境における自律型UAVナビゲーションのためのLLM-Agent-Based Path Finder (LAPF) フレームワークを提案する。
LAPFは認識、記憶、計画、行動モジュールをクローズドループ認知アーキテクチャに統合することでLLM支援ナビゲーションを拡張している。
LAPFは512.83mと506.37mの平均経路長を、497.33mの直線最適化と比較する。
論文 参考訳（メタデータ） (2026-08-15T11:28:21Z) - DREAM Technical Report [53.37525197047151]
DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。
DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。
第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
論文 参考訳（メタデータ） (2026-08-10T10:35:32Z) - KNOWPLAN: Knowledge-Driven AI Agents for Smart Degree Pathway Planning [7.831123318141461]
KnowPlanは抽出ファーストのバウンダリを強制し、ステージ間のインターフェースを仮定するのではなく計測する。
CatalogBrowseは、ソースアクセス単位当たりの原子カタログ義務の有限セットよりも低い信頼率の限界利得による法的行為を終了する。
DegreeMapはこれらのドキュメントのみを消費し、型付き要求ハイパーグラフにコンパイルする。
論文 参考訳（メタデータ） (2026-08-06T19:24:01Z) - From Feasibility to Desirability: Plan, Learn, Adapt (PLA) Framework for Personalized On-Device Itinerary Generation [1.6391892978433935]
Plan, Learn, Adaptは、デバイス上でパーソナライズされた反復生成のための3段階のフレームワークである。
アメリカ合衆国の100以上の都市で2,519対の人間比較を行い、PLAは67.8%の勝利率、最高のシングルプランナーよりも11.2%のポイントを達成し、100%実現可能である。
FlyEnJoyでの運用では、PLAは反復完了率を91%増加させ、109.9msのデバイス上の平均遅延を発生させた。
論文 参考訳（メタデータ） (2026-07-17T01:52:02Z) - Arena-T2I Hard: Benchmarking and Improving Faithfulness with Dependency-Aware Checklist [69.81453995715673]
既存の忠実度ベンチマークは単純な原子命令に依存している。
本稿では,実アリーナT2Iログから抽出した310プロンプトの応力ベンチマークであるArena-T2I Hardを紹介する。
本稿では,各プロンプトをイエス/ノー質問のDAGに分解し,失敗する両親の子孫をゼロにする依存性対応チェックリスト報酬を提案する。
論文 参考訳（メタデータ） (2026-06-30T14:17:05Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Scheduling Thoughts: Learning the Order of Thought in Diffusion Language Models [51.21958617138889]
自己認識スケジューリングは、軽量な順序ポリシーを学び、任意の順序と半自己回帰デコーディングの両方にシームレスに適用する。
1B MDMのスドクでは、SASはパズルの精度を82.0%(ベストスケジュール)から91.8%に改善し、第2ステージの微調整で97.5%に達する。
LLaDA-8Bの数学的推論では、ASSはGSM8Kのpass@1を64%から76%に改善し、MBPPは39.5%から41%に改善した。
論文 参考訳（メタデータ） (2026-06-22T16:32:25Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - CRANE: Constrained Reasoning Injection for Code Agents via Nullspace Editing [5.661334639541121]
CRANEは、シンキング・インストラクトデルタを、インストラクトバックボーンの候補推論編集のプールとして扱う、トレーニング不要なパラメータ編集手法である。
ペア化されたインストラクトとシンキングのチェックポイントを組み合わせることで、CRANEはどちらのモデルよりも強力なゲインを提供する。
論文 参考訳（メタデータ） (2026-05-13T20:09:35Z) - Compact Constraint Encoding for LLM Code Generation: An Empirical Study of Token Economics and Constraint Compliance [0.0]
本研究では,コンパクトで構造化された制約ヘッダーが制約コンプライアンスを低下させることなく,トークンの迅速な消費を低減できるかどうかを検討する。
コンパクトヘッダーは、3ラウンドで複製された制約ポートトークンを約71%減らし、フルプロンプトトークンを25～30%減らした。
論文 参考訳（メタデータ） (2026-04-08T15:18:33Z) - Did You Forget What I Asked? Prospective Memory Failures in Large Language Models [0.0]
大規模な言語モデルは、必要なタスクを同時に実行する必要があるときに、フォーマット命令を満たさないことが多い。
制御パラダイムを用いて、認知心理学から先進記憶にインスパイアされたレンズを通して、この行動を研究する。
脆弱性は型に依存しやすく、50%まで低下する一方、回避制約は比較的堅牢である。
サリエンス強化フォーマット(明示的な命令フレーミングと後続のリマインダー)は、多くの設定で性能を90-100%に回復する。
論文 参考訳（メタデータ） (2026-03-07T05:58:19Z) - ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。
そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。
また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
論文 参考訳（メタデータ） (2026-02-05T05:45:16Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Advancing LLM Reasoning Generalists with Preference Trees [119.57169648859707]
推論に最適化された大規模言語モデル(LLM)のスイートであるEulusを紹介する。
Eurusモデルは、様々なベンチマークでオープンソースのモデルの間で最先端の結果を得る。
論文 参考訳（メタデータ） (2024-04-02T16:25:30Z)
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。