論文の概要: AIDE: Automated Instruction via Distilled Expertise for Reference-Free Motor Skill Coaching

• arxiv url: http://arxiv.org/abs/2608.03047v1
• Date: Tue, 04 Aug 2026 02:58:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.003219
• Title: AIDE: Automated Instruction via Distilled Expertise for Reference-Free Motor Skill Coaching
• Title（参考訳）: AIDE:レファレンスフリーモータースキルコーチングの専門知識による自動指導
• Abstract要約: AIDE(Automated Instruction via Distilled Expertise)は、トレーニング時にのみ専門家の参照を利用するフレームワークである。 推論時にのみ学習者のポーズシーケンスからフィードバックを生成する。 ExpertAFデータセットでは、ほとんどのメトリクスにおいて、AIDEは参照なしベースラインよりも優れています。
• 参考スコア（独自算出の注目度）: 1.6921396880325779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating natural-language coaching feedback on motor skills can accelerate learning, yet expert coaches are scarce and expensive. Existing reference-based methods require expert demonstrations at both training and inference time, limiting practical deployment. We propose AIDE (Automated Instruction via Distilled Expertise), a framework that exploits expert references only during training and generates feedback from a learner's pose sequence alone at inference. A teacher model first learns to generate feedback from paired learner-expert poses via a frozen language model, producing separate learner tokens and difference tokens that encode the learner-expert difference. A student model then inherits the teacher's encoder and weight initialization, replacing the explicit expert comparison with an auxiliary module that produces complementary tokens from the learner's pose alone. On the ExpertAF dataset, AIDE outperforms reference-free baselines on most metrics and performs comparably to methods requiring expert demonstrations at both training and inference, with LLM-based evaluation supporting these findings.
• Abstract（参考訳）: 自然言語によるコーチングのフィードバックをモータースキルに生成することは学習を加速させるが、専門家のコーチは乏しく高価である。 既存の参照ベースのメソッドでは、トレーニングと推論の両方で専門家によるデモンストレーションが必要で、実際のデプロイメントが制限される。 AIDE(Automated Instruction via Distilled Expertise)は,トレーニング中のみの専門家による参照を利用して,推論時にのみ学習者のポーズシーケンスからフィードバックを生成するフレームワークである。 教師モデルは、まず、凍結した言語モデルを介してペア化された学習者-専門家のポーズからフィードバックを生成し、学習者-専門家の差分を符号化する個別の学習者トークンと差分トークンを生成する。 学生モデルは教師のエンコーダとウェイト初期化を継承し、明示的な専門家比較を学習者のポーズだけで補完トークンを生成する補助モジュールに置き換える。 ExpertAFデータセットでは、AIDEは基準フリーのベースラインをほとんどのメトリクスで上回り、トレーニングと推論の両方で専門家によるデモンストレーションを必要とするメソッドと互換性がある。

関連論文リスト

• XPERT: Expert Knowledge Transfer for Effective Training of Language Models [33.508312430754906]
  Mixture-of-Experts (MoE)言語モデルは、知識を明示的にルーティングされたエキスパートモジュールにまとめる。 専門家のサブセットが、さまざまな知識ドメインで一貫して活性化されていることが分かりました。 我々はエキスパートの知識を抽出し、統合し、再利用するフレームワークであるXPERTを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:53:03Z)
• Autograder+: A Multi-Faceted AI Framework for Rich Pedagogical Feedback in Programming Education [0.5529795221640363]
  Autograder+は、オートグレーディングを純粋に要約的なプロセスからフォーマティブな学習体験に移行するように設計されている。 微調整されたLarge Language Modelを使った自動フィードバック生成と、学習パターンを明らかにするための学生コード提出の可視化だ。
  論文  参考訳（メタデータ） (2025-10-30T11:41:50Z)
• \textsc{SimInstruct}: A Responsible Tool for Collecting Scaffolding Dialogues Between Experts and LLM-Simulated Novices [21.67295740032255]
  SimInstructは、スキャフォールディングダイアログを収集するための、スケーラブルで専門的なループツールである。 SimInstructは、開発コーチングをサンプルドメインとして使用し、LLMを通して初心者インストラクターをシミュレートする。 その結果,外向性や内向性といったペルソナの特徴が,専門家の関わり方に有意な影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-06T13:16:10Z)
• SeRL: Self-Play Reinforcement Learning for Large Language Models with Limited Data [65.56911325914582]
  限られた初期データを用いたLarge Language Models (LLM) トレーニングのブートストラップとして,SeRL(Se-play Reinforcement Learning)を提案する。 提案したSeRLは、その結果よりも優れ、検証可能な報酬を持つ高品質なデータと同等の性能が得られる。
  論文  参考訳（メタデータ） (2025-05-25T13:28:04Z)
• ASIDE: Architectural Separation of Instructions and Data in Language Models [87.16417239344285]
  ASIDEは言語モデルに対して、埋め込みのレベルで命令とデータを明確に分離することを可能にする。 本稿では,ASIDE を用いた命令調整 LLM がモデルユーティリティを損なうことなく,命令データ分離の高度化につながることを実験的に示す。 モデル表現の分析を通じて,本手法の基盤となるメカニズムについて考察する。
  論文  参考訳（メタデータ） (2025-03-13T17:17:17Z)
• MathTutorBench: A Benchmark for Measuring Open-ended Pedagogical Capabilities of LLM Tutors [82.91830877219822]
  我々は、総合的なチューリングモデル評価のためのオープンソースのベンチマークであるMathTutorBenchを紹介する。 MathTutorBenchには、ダイアログベースの教育における科学の研究によって定義された、家庭教師の能力をカバーするデータセットとメトリクスが含まれている。 閉鎖的およびオープンウェイトなモデルの幅広いセットを評価し、問題解決能力によって示される課題の専門知識が、すぐには良い教育に変換されないことを発見した。
  論文  参考訳（メタデータ） (2025-02-26T08:43:47Z)
• Find the Intention of Instruction: Comprehensive Evaluation of Instruction Understanding for Large Language Models [8.020688053947547]
  LLM(Large Language Models)の重要な強みの1つは、与えられた指示に対する適切な応答を生成することによって、人間と対話する能力である。 この能力は命令追従能力として知られ、様々な分野におけるLSMの使用の基礎を確立している。 我々は、LLMが命令形式文によって容易に気を散らすことができ、それによって命令理解スキルの監視に繋がる可能性があることを指摘した。
  論文  参考訳（メタデータ） (2024-12-27T04:37:39Z)
• SPaR: Self-Play with Tree-Search Refinement to Improve Instruction-Following in Large Language Models [88.29990536278167]
  SPaRは、木探索の自己精製を統合して、有効かつ同等な選好ペアを得るセルフプレイフレームワークである。 実験により,SPaRで誘導された3回の反復で訓練されたLLaMA3-8Bモデルが,一般機能を失うことなくIFEvalベンチマークでGPT-4-Turboを上回った。
  論文  参考訳（メタデータ） (2024-12-16T09:47:43Z)
• Revealing the Inherent Instructability of Pre-Trained Language Models [6.293897980482996]
  本稿では,RT(Response Tuning)が命令とそれに対応する対応マッピングを命令チューニングから取り除くことを示す。 実験により、RTは応答のみに基づいて訓練され、命令調整された命令に類似した幅広い命令に効果的に応答できることが実証された。 これらの知見は, 予め訓練したLLMの本質的な能力を強調した仮説を裏付けるものである。
  論文  参考訳（メタデータ） (2024-10-03T13:15:19Z)
• From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning [63.63840740526497]
  そこで本研究では,本質的な変化に着目した事前学習モデルの調整方法について検討する。 次に、事前訓練されたモデルと命令調整されたモデルから導かれた説明を比較することで、命令チューニングの影響について研究する。 この結果から,指導指導の3つの重要な影響が明らかになった。
  論文  参考訳（メタデータ） (2023-09-30T21:16:05Z)
• Soft Expert Reward Learning for Vision-and-Language Navigation [94.86954695912125]
  VLN(Vision-and-Language Navigation)は、エージェントが自然言語の指示に従うことで、目に見えない環境で特定の場所を見つける必要がある。 本稿では,VLNタスクの工学的設計と一般化問題を克服するために,ソフトエキスパート・リワード・ラーニング(SERL)モデルを導入する。
  論文  参考訳（メタデータ） (2020-07-21T14:17:36Z)

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。