論文の概要: Toward Personal Intelligence Through Cooperative Observation
- arxiv url: http://arxiv.org/abs/2608.17128v1
- Date: Mon, 17 Aug 2026 21:03:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.131018
- Title: Toward Personal Intelligence Through Cooperative Observation
- Title（参考訳）: 協調観察によるパーソナルインテリジェンスを目指して
- Abstract要約: パーソナルAIシステムは、ユーザの目標、制約、計画と行動に対する継続的なコミットメントのモデルが必要です。
この観測ボトルネックは協調的な構造を持っていると論じる。
我々は,このフィードバックループに,有用性,信頼,将来的なアクセスという用語を用いている。
- 参考スコア（独自算出の注目度）: 0.08796261172196741
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A personal AI system needs a model of the user's goals, constraints, and ongoing commitments to plan and act on their behalf, and the quality of that model is bounded by what the system can observe. Broader observation does not by itself improve assistance because a bounded system must select and compress information for the task at hand. We argue that this observation bottleneck has a cooperative structure: the system builds a partial model of the user's changing life, the user evaluates its actions, and the user's consent and control shape what it can observe next. Useful and inspectable behavior can give users a reason to maintain or expand the observation channel, while failures can lead them to correct, narrow, revoke, or abandon it. We use the term cooperative observation for this feedback loop among usefulness, trust, and future access, and propose it as a framework for personal intelligence. We report a preliminary single-subject account from Organizm, a prototype used over six months, and outline evaluation directions for measuring how observation quality shapes personal AI.
- Abstract（参考訳）: パーソナルAIシステムは、ユーザの目標、制約、計画と行動に対する継続的なコミットメントのモデルを必要とし、そのモデルの品質は、システムが観察できるものによって制限される。
境界系は、手元にあるタスクの情報を選択・圧縮する必要があるため、より広い観測はそれ自体が支援を改善するものではない。
我々は,この観察ボトルネックには協調的な構造があることを論じる。システムはユーザの生活の変化を部分的にモデル化し,ユーザの行動を評価し,ユーザの同意とコントロールの形状を次に見ることができる。
有用で検査可能な振る舞いは、ユーザに対して、監視チャネルのメンテナンスや拡張の理由を与えると同時に、障害によって修正、縮小、取り消し、あるいは放棄につながる可能性がある。
我々は,このフィードバックループに,有用性,信頼,将来的なアクセスという用語を用いて,パーソナルインテリジェンスのための枠組みとして提案する。
本稿では,6ヶ月以上使用したプロトタイプであるOrganizmから,観察品質がパーソナルAIをどのように形作るかを評価するための評価の方向性を概説する。
関連論文リスト
- World Models for Embodied Intelligence: From Plausible to Controllable to Actionable [100.13060753774657]
世界モデルは、隠れた状態を維持し、結果を予測し、介入を比較し、実行が期待から外れたときに適応することによって、インテリジェンスにおける知覚と意思決定を結びつける。
これは、どの予測能力が振る舞いを改善するかという、中心的な疑問を提起する。
可塑性モデルは、タスク関連時間的・幾何学的・物理的構造を保存し、制御可能なモデルは、介入がどのように構造を変えるかを予測し、アクション可能なモデルは、予測を計画、行動、学習、評価、検証、回復、データ選択において測定可能な利得に変換する。
論文 参考訳（メタデータ） (2026-09-15T06:22:42Z) - Human-in-the-Loop User Feedback Affects Perceived Accuracy and Trust, but Task Subjectivity Matters [3.8028536988925477]
本研究では,対話型フィードバック収集が客観的および主観的フィードバックを持つ領域におけるユーザ印象に与える影響を3つの実験により検討した。
その結果、客観的に正しい回答がある状況下では、HITLフィードバックを提供することで、双方のシステムに対する信頼感とシステム精度に対する認識が低下することがわかった。
これらの結果は、知的システムを設計する際に、異なるタイプのエンドユーザーフィードバックがユーザ信頼に与える影響を検討することの重要性を強調している。
論文 参考訳（メタデータ） (2026-07-20T04:46:25Z) - Preference-Aware Rubric Learning for Personalized Evaluation [59.539429430690156]
既存の評価手法では、長期的なインタラクション履歴に埋め込まれたユーザ固有の嗜好をキャプチャできない。
静的判断よりも学習問題としてパーソナライズされた評価を定式化するパラダイムであるパーソナライズド・アズ・ラーニングを提案する。
実験により、PARLはユーザ対応の応答を確実に識別し、ユーザ間で一般化する高忠実なルーブリックを一貫して誘導することが示された。
論文 参考訳（メタデータ） (2026-05-29T17:00:55Z) - Know You Before You Speak: User-State Modeling for LLM Personalization in Multi-Turn Conversation [40.40960192827234]
本稿では,パーソナライズを半可観測性に基づく意思決定として定式化するPUMAを提案する。
Pumaは、ユーザの隠された状態に対する信念を維持し、観察生成とアクション条件付き状態遷移のためのユーザ状態モデルを洗練する。
実験の結果,PUMAは強い応答品質を維持しながら,長時間の対話結果を改善することがわかった。
論文 参考訳（メタデータ） (2026-05-23T16:28:40Z) - Personal Visual Context Learning in Large Multimodal Models [53.33351452841322]
パーソナライズされたクエリを解決するために,ユーザ固有の視覚的コンテキストを使用する即時学習機能であるPersonal Visual Context Learning(Personal)を提案する。
LMMを解析した結果,視覚的エビデンスを活用するメカニズムや,複数の視覚的観察を集約するメカニズムが重要視されていることが明らかとなった。
本稿では,ユーザの視覚的コンテキストを自己修復型メモリバンクに構造化し,クエリ適応型エビデンス選択を採用する強力なベースラインであるエージェントコンテキストバンクを提案する。
論文 参考訳（メタデータ） (2026-05-11T17:59:17Z) - Learning to Pay Attention: Unsupervised Modeling of Attentive and Inattentive Respondents in Survey Data [0.14323566945483493]
注意点検などの従来の安全対策は、コストが高く、反応性があり、一貫性がないことが多い。
補完的な教師なしビューを用いた不注意検出のための統一型ラベルフリーフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-02T22:11:51Z) - Retentive Relevance: Capturing Long-Term User Value in Recommendation Systems [29.596401271139797]
本稿では,新しいコンテンツレベル調査に基づくフィードバック尺度であるRetentive Relevanceを紹介する。
Retentive Relevanceは、ユーザーが同様のコンテンツのためにプラットフォームに戻る意図を直接評価する。
これらの結果から,Retentive Relevanceは,エンゲージメント信号および他の調査指標よりも,翌日のリテンションの予測に優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-10-08T23:38:57Z) - Collaborative Instance Object Navigation: Leveraging Uncertainty-Awareness to Minimize Human-Agent Dialogues [54.81155589931697]
協調インスタンスオブジェクトナビゲーション(CoIN)は、エージェントがターゲットインスタンスに関する不確実性を積極的に解決する新しいタスク設定である。
未認識者に対するエージェント・ユーザインタラクション(AIUTA)の新たな学習自由化手法を提案する。
まず、オブジェクト検出時に、セルフクエチオナーモデルがエージェント内で自己対話を開始し、完全かつ正確な観察記述を得る。
インタラクショントリガーモジュールは、人間に質問するか、継続するか、ナビゲーションを停止するかを決定する。
論文 参考訳（メタデータ） (2024-12-02T08:16:38Z) - Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - User-Controllable Recommendation via Counterfactual Retrospective and
Prospective Explanations [96.45414741693119]
本稿では,説明可能性と可制御性をシームレスに統合するユーザ制御型レコメンデータシステムを提案する。
反ファクト推論を通じて、ふりかえりと予測的な説明の両方を提供することで、ユーザーはシステムに対する制御をカスタマイズできる。
論文 参考訳（メタデータ） (2023-08-02T01:13:36Z) - Soliciting Human-in-the-Loop User Feedback for Interactive Machine
Learning Reduces User Trust and Impressions of Model Accuracy [8.11839312231511]
混合開始システムにより、ユーザは対話的にフィードバックを提供し、システムパフォーマンスを向上させることができる。
本研究は,フィードバックの提供行為が知的システムのユーザ理解とその正確性に与える影響について検討する。
論文 参考訳（メタデータ） (2020-08-28T16:46:41Z) - Assisted Perception: Optimizing Observations to Communicate State [112.40598205054994]
我々は、ロボット遠隔操作や視覚障害のあるナビゲーションといったタスクにおいて、ユーザが世界の状態を見積もるのを支援することを目的としている。
ユーザによって処理された場合、より正確な内部状態推定につながる新しい観測結果を合成する。
論文 参考訳（メタデータ） (2020-08-06T19:08:05Z)
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。