Fugu-MT 論文翻訳(概要): Beyond Asking: A Pipeline for Personalized Game Generation that Reads Players from Behavior

論文の概要: Beyond Asking: A Pipeline for Personalized Game Generation that Reads Players from Behavior

arxiv url: http://arxiv.org/abs/2608.16196v1
Date: Mon, 17 Aug 2026 07:19:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-18 19:59:03.576441
Title: Beyond Asking: A Pipeline for Personalized Game Generation that Reads Players from Behavior
Title（参考訳）: Beyond Asking: プレイヤーを行動から読み取るパーソナライズされたゲーム生成パイプライン
Abstract要約: 建設によって、特性が基礎的な真実である合成プレイヤー人口を構築します。我々は、好意を表現の機会から遠ざける機会認識型意思決定モメント表現を導入する。
参考スコア（独自算出の注目度）: 34.62792305510853
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Personalized game generation requires inferring a player's abilities and behavioral style from how they play. Large language models have made this inference more attainable than ever: an LLM can read a raw gameplay transcript and produce a fluent, plausible profile of the player. Plausible, however, is not verified, and verification is precisely what the field lacks: latent traits are unobservable; questionnaires provide noisy proxies and become circular when self-reports are used to validate behavior-based inference; and behavior itself is ambiguous without context -- a player who never collects an item may not want it, or may never have had the chance. We address both problems. First, we construct a synthetic player population whose traits are ground truth by construction: each trait is an explicit bot parameter, accepted only after controlled manipulation produces consistent, trait-specific behavioral change. Unlike prior parameter-recovery work that inverts a known decision model, our benchmark evaluates policy-agnostic inference from behavioral transcripts alone. Second, we introduce an opportunity-aware decision-moment representation that disentangles preference from the chance to express it; ablating it selectively degrades opportunity-dependent traits. On this benchmark, few-shot LLM inference outperforms embedding- and rule-based baselines on most traits, though feature-based supervised regressors remain stronger overall. Finally, we close the loop: inferred profiles drive difficulty adaptation, evaluated against ground-truth references and mismatched-profile controls, and an exploratory human study examines whether these findings transfer to real players.
Abstract（参考訳）: パーソナライズされたゲーム生成は、プレイヤーのプレイ方法からプレイヤーの能力と行動スタイルを推定する必要がある。 LLMは生のゲームプレイの書き起こしを読み取ることができ、プレイヤーの流動的で妥当なプロファイルを生成することができる。潜在形質は観測不可能であり、アンケートはノイズの多いプロキシを提供し、自己報告が振る舞いに基づく推論の検証に使用されると円形になる。どちらの問題にも対処する。まず,各特性は明示的なボットパラメータであり,制御操作が一貫した特性特異的な行動変化を発生させた後にのみ受け入れられる。既知の決定モデルを逆転させる以前のパラメータ回復作業とは異なり、我々のベンチマークは行動記述のみからポリシーに依存しない推論を評価する。第二に、機会に依存した特徴を選択的に劣化させ、好ましさを表現から遠ざける機会対応決定モーメント表現を導入する。このベンチマークでは、ほとんどショットのLLM推論は、ほとんどの特性に対して埋め込みベースラインとルールベースベースラインよりも優れていますが、機能ベースの教師付き回帰器は、全体としてはより強くなっています。最後に,このループを閉じる: 推定プロファイルは難易度を誘導し, 地道参照や不一致制御に対して評価し, 実際の選手にこれらの結果が伝達されるかどうかを探索的人間による研究により検討する。

関連論文リスト

A Three-Tier Persona Vector for Controllable User Simulation in Agentic Evaluation [0.9918136378822991]
23の操作次元を持つ3層ペルソナベクトルを提案する。我々は64,698件の会話で合成データ生成パイプライン内のペルソナモデルを評価する。
論文参考訳（メタデータ） (2026-09-08T11:28:02Z)
S3Gym: Can LLMs Turn Self-Testing and Self-Judging into Self-Improvement? [66.17176838165994]
大規模言語モデル(LLM)は、ますます外部環境と相互作用し、かなりの行動経験を蓄積する。エージェントがその振る舞いを積極的にテストし、得られた経験を判断し、その経験を使って将来の意思決定を改善することができるかどうかは不明だ。 LLM自己改善評価のための対話型ベンチマークである textbfStextsuperscript3Gym を導入する。
論文参考訳（メタデータ） (2026-08-31T17:05:41Z)
LivingArena: Do LLMs Know What Other LLMs Don't? Peer-Probing as Scalable Evaluation [79.03892269184145]
LivingArenaは自動汚染耐性評価フレームワークである。モデルは質問を交互に提案し、相手が正しく答えられないアイテムを提示する。質問者は、相手の知識境界を積極的に特定し、活用することが奨励される。
論文参考訳（メタデータ） (2026-06-19T06:20:58Z)
Clarify, Abstain or Answer? Strategising in Conversation with Belief-Augmented Generation [38.81368744366676]
大規模言語モデル(LLM)はテキスト上の分布を定義し、不確実性の確率的表現と見なすことができる。提案するBelief-Augmented Generation (BAG) は,これらのKサンプルに対して,会話戦略を決定するための理由を与える。 BAGは6つのモデルのQA精度を改善し、即時のみのベースラインよりも信条に忠実な戦略決定を下す。
論文参考訳（メタデータ） (2026-05-25T13:29:02Z)
Pando: Do Interpretability Methods Work When Models Won't Explain Themselves? [53.07826484214082]
モデル・オーガニゼーションのベンチマークであるPandoを紹介します。 Pandoは、ラベル付きクエリ-レスポンスペアから、ホールドアウトモデル決定を予測する。説明が忠実であれば、ブラックボックスの引用はすべてのホワイトボックスメソッドに一致するか、超える。
論文参考訳（メタデータ） (2026-04-13T06:42:24Z)
KnowU-Bench: Towards Interactive, Proactive, and Personalized Mobile Agent Evaluation [72.01173512175531]
KnowU-Benchはパーソナライズされたモバイルエージェントのためのオンラインベンチマークである。 42のGUIタスク、86のパーソナライズされたタスク、64のプロアクティブタスクをカバーしている。明示的なタスク実行に優れるエージェントは、あいまいな指示の下で50%以下に低下する。
論文参考訳（メタデータ） (2026-04-09T16:50:50Z)
Split Personality Training: Revealing Latent Knowledge Through Alternate Personalities [15.59200865541989]
スプリット・パーソナリティ・トレーニング (SPT) を導入し, 正常手術中も動作しないパラメータに第2の正直なペルソナ'を微調整する。 SPTは全体の96%の精度を達成し、Arthhropicは0%の精度で報告している。
論文参考訳（メタデータ） (2026-02-05T10:45:48Z)
Counterfactual reasoning: an analysis of in-context emergence [57.118735341305786]
我々は、言語モデルが反実的推論が可能なことを示す。自己注意、モデル深度、トレーニング済みデータの多様性によってパフォーマンスが向上することがわかった。以上の結果から, SDE 動態下での反実的推論が可能となった。
論文参考訳（メタデータ） (2025-06-05T16:02:07Z)
Linguistic Calibration of Long-Form Generations [57.836339732160916]
言語モデル(LM)は、ユーザーに自信を持って幻覚を与えるとき、最適な下流決定をさせるかもしれない。この問題は、LMが主張が正しい確率を口頭で伝えることで緩和できるが、既存のモデルでは、評価された信頼度のある長文を生成できない。 LMは、その世代がユーザがキャリブレーションされた確率予測を行えるようにすれば、言語的にキャリブレーションされる。
論文参考訳（メタデータ） (2024-03-30T20:47:55Z)
Auto-Encoding Bayesian Inverse Games [36.06617326128679]
ゲームの性質が不明な逆ゲーム問題を考える。既存の最大推定手法は、未知のパラメータの点推定のみを提供する。ベイズ的視点を採り、ゲームパラメータの後方分布を構成する。この構造化されたVAEは、観測された相互作用のラベルのないデータセットから訓練することができる。
論文参考訳（メタデータ） (2024-02-14T02:17:37Z)
R-Tuning: Instructing Large Language Models to Say `I Don't Know' [66.11375475253007]
大きな言語モデル(LLM)は、優れたパフォーマンスで多くのドメインに革命をもたらしたが、それでもその課題に直面している。事前の指導チューニング方法は、モデルが知識を知っているかどうかに関わらず、モデルに文章を完成させるよう強制する。我々はRefusal-Aware Instruction Tuning (R-Tuning)と呼ばれる新しいアプローチを提案する。実験の結果、R-Tuningは、既知の質問に答えたり、未知の質問に答えるのを控えるモデルの能力を効果的に改善することを示した。
論文参考訳（メタデータ） (2023-11-16T08:45:44Z)

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。