Fugu-MT 論文翻訳(概要): Disentangled Skill Representations for Predictive Human Modeling

論文の概要: Disentangled Skill Representations for Predictive Human Modeling

arxiv url: http://arxiv.org/abs/2608.23776v1
Date: Mon, 24 Aug 2026 19:13:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.566537
Title: Disentangled Skill Representations for Predictive Human Modeling
Title（参考訳）: 予測的人間モデルのための遠方性スキル表現
Abstract要約: Skill Abstraction with Interpretable Latents (SAIL) は、自然主義的行動から推定される解釈可能な多次元構造として人間のスキルをモデル化する手法である。提案手法は,過渡的な性能変動に頑健なスキル埋め込みを生成し,人間のサブスキルの伝達可能な表現を学習する。
参考スコア（独自算出の注目度）: 6.71775308061443
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Understanding human skill is important for AI systems that collaborate with, coach, or assist people. Unlike typical latent variable estimation problems which rely on single observations, skill is a persistent, compositional, and behaviorally grounded construct that must be inferred from patterns over time. We introduce Skill Abstraction with Interpretable Latents (SAIL), a method for modeling human skill as an interpretable, multi-dimensional construct inferred from naturalistic behavior. Our approach produces a skill embedding that is robust to transient performance fluctuations and learns a transferable representation of human subskills. Furthermore, SAIL supports skill-informed behavior prediction that generalizes across a variety of in-domain contexts. We represent each individual with a persistent skill embedding that controls a blend between expert and novice bases and is trained using counterfactual subskill swaps for disentanglement. This design encourages representations that are both robust to performance variation and structured for interpretability. We demonstrate across racing and baseball that SAIL achieves strong predictive performance and consistently improves behaviorally grounded disentanglement over the evaluated baselines, while also improving downstream AI coaching performance.
Abstract（参考訳）: 人間のスキルを理解することは、人と協力し、コーチし、支援するAIシステムにとって重要です。単一の観察に依存する典型的な潜伏変数推定問題とは異なり、スキルは永続的で、構成的で、行動に根ざした構造であり、時間とともにパターンから推測されなければならない。本稿では,自然行動から推定される解釈可能な多次元構造として,人間のスキルをモデル化するSAIL(Skill Abstraction with Interpretable Latents)を紹介する。提案手法は,過渡的な性能変動に頑健なスキル埋め込みを生成し,人間のサブスキルの伝達可能な表現を学習する。さらに、SAILは様々なドメイン内コンテキストにまたがって一般化するスキルインフォームドな振る舞い予測をサポートする。我々は、専門家と初心者のベースをブレンドする永続的なスキル埋め込みで各個人を表現し、非絡み合いの代替スキルスワップを用いて訓練する。この設計は、パフォーマンスの変化に対して堅牢で、解釈可能性のために構造化された表現を奨励する。我々は,SAILが強い予測性能を達成し,評価ベースラインに対する行動基盤のゆがみを継続的に改善し,ダウンストリームAIコーチング性能も向上することを示す。

関連論文リスト

Mind the Student: Behavioral and Contextual Cues for Automated Engagement Prediction in Online Learning [9.31020526280198]
我々は,映像,音声,画像エンコーダから抽出した暗黙的特徴と,頭部ポーズ,視線,顔の動き,感情,ウェーブレットに基づく音声特徴などの構造化された行動モダリティを統合するフレームワークを開発した。我々は、不確実性を考慮した予測のために、顕在回帰およびスペクトル正規化ガウス過程分類ヘッドを用いて、ロバスト性の改善と校正を行う。
論文参考訳（メタデータ） (2026-08-25T10:03:07Z)
Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
論文参考訳（メタデータ） (2026-07-24T17:59:22Z)
SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。現在の技術構築手法は、問題を一発抽出として扱う。本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
論文参考訳（メタデータ） (2026-06-04T12:16:08Z)
From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills [46.76651106969111]
モデル生成スキルは平均的に有益であるが,非自明な負の伝達を示す。モデルは強力な抽出器でありながら、弱い消費者、あるいはその逆もまた、モデルスケールやベースラインタスク強度とは無関係に、スキルユーティリティを持つことができる。本研究は,これらの知見を,スキル抽出のガイドとなる具体的なエフェメタスキルに翻訳する。
論文参考訳（メタデータ） (2026-05-22T17:59:12Z)
Enhanced Interpretable Knowledge Tracing for Students Performance Prediction with Human understandable Feature Space [2.053999499982333]
知識追跡(KT)は、学生の熟練度を評価し、将来のパフォーマンスを予測する上で中心的な役割を果たす。我々の貢献は、予測力と解釈可能性のバランスを保ち、適応学習システムの有用性を推し進めることである。
論文参考訳（メタデータ） (2025-09-22T13:47:28Z)
SkillDiffuser: Interpretable Hierarchical Planning via Skill Abstractions in Diffusion-Based Task Execution [75.2573501625811]
拡散モデルは、ロボット軌道計画の強力な可能性を示している。高レベルの命令からコヒーレントな軌道を生成することは依然として困難である。エンド・ツー・エンドの階層的計画フレームワークであるSkillDiffuserを提案する。
論文参考訳（メタデータ） (2023-12-18T18:16:52Z)
Real-time Addressee Estimation: Deployment of a Deep-Learning Model on the iCub Robot [52.277579221741746]
住所推定は、社会ロボットが人間とスムーズに対話するために必要なスキルである。人間の知覚スキルにインスパイアされたディープラーニングモデルは、iCubロボットに設計、訓練、デプロイされる。本研究では,人間-ロボットのリアルタイムインタラクションにおいて,そのような実装の手順とモデルの性能について述べる。
論文参考訳（メタデータ） (2023-11-09T13:01:21Z)
AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable Diffusion Model [69.12623428463573]
AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
論文参考訳（メタデータ） (2023-10-03T13:53:08Z)
C$\cdot$ASE: Learning Conditional Adversarial Skill Embeddings for Physics-based Characters [49.83342243500835]
C$cdot$ASEは、物理系文字に対する条件付き適応スキル埋め込みを学習する効率的なフレームワークである。 C$cdot$ASEは、不均一なスキルモーションを、低レベル条件モデルのトレーニングのための均質なサンプルを含む別個のサブセットに分割する。スキル条件の模倣学習は、訓練後のキャラクターのスキルを明確に制御する。
論文参考訳（メタデータ） (2023-09-20T14:34:45Z)

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。