論文の概要: Long-Term Behavioral Evaluation for Trusted Collaborator Selection via Bidirectional Mamba
- arxiv url: http://arxiv.org/abs/2608.25232v1
- Date: Tue, 25 Aug 2026 23:41:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.494426
- Title: Long-Term Behavioral Evaluation for Trusted Collaborator Selection via Bidirectional Mamba
- Title（参考訳）: 双方向マンバを用いた信頼協力者選抜の長期的行動評価
- Abstract要約: 本研究は,長期的行動評価のための双方向マンバ対応モデル(BM)を提案する。
短い時間帯ごとに、歴史的コラボレーションに基づいたデバイス間でグラフが構築される。
双方向マンバモデルはこれらの短期的表現を全ての時間間隔で統合し、安定かつ信頼性のある長期的行動評価を生成する。
- 参考スコア（独自算出の注目度）: 11.560090481333622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Effective selection of trustworthy collaborators is crucial to ensuring the successful completion of collaborative tasks, which requires accurate assessments of both long-term device behavior and short-term collaborative dynamics. Consistent device behavior patterns, which are learned from historical collaborations, can be used to predict their reliability in future collaborations. However, accurately assessing device behavior based on historical collaborations remains challenging. First, behavior assessment from limited historical collaborations captures only instantaneous past behavior, failing to represent the devices' true behavior. Second, due to the temporal dependencies of device behavior, a unidirectional evaluation that relies only on earlier collaborations loses the opportunity to learn from subsequent collaborations. Addressing these challenges requires evaluating device behavior based on long-term collaborations while considering both forward and backward temporal dependencies. To this end, this work proposes a bidirectional Mamba-enabled model (BM) for long-term behavioral evaluation. For each short time slot, a graph is constructed among devices based on historical collaborations, and device behavioral features within the slot are then aggregated accordingly. Subsequently, a bidirectional Mamba model integrates these short-term representations across all time intervals, producing a stable and reliable long-term behavior evaluation for each device. Experimental results demonstrate that BM achieves higher evaluation accuracy than baseline methods, thereby enabling the selection of collaborators that maximize the value of task completion.
- Abstract（参考訳）: 信頼性の高い協調作業者の効果的な選択は、長期的なデバイス動作と短期的な協調動作の両方の正確な評価を必要とする協調作業の完了を確実にするために不可欠である。
過去のコラボレーションから学んだ一貫性のあるデバイス動作パターンは、将来のコラボレーションにおける信頼性を予測するために使用できる。
しかし,歴史的コラボレーションに基づくデバイス動作の正確な評価はいまだに困難である。
第一に、限られた歴史的なコラボレーションによる行動評価は、デバイスの真の振る舞いを表現できない、一時的な過去の行動のみをキャプチャする。
第二に、デバイス動作の時間的依存関係のため、初期のコラボレーションにのみ依存する一方向評価は、その後のコラボレーションから学ぶ機会を失う。
これらの課題に対処するには、前方と後方の両方の時間的依存関係を考慮して、長期的なコラボレーションに基づいてデバイス動作を評価する必要がある。
そこで本研究では,長期的行動評価のための双方向マンバ対応モデル(BM)を提案する。
短時間のスロット毎に、履歴的なコラボレーションに基づいてデバイス間でグラフが構築され、スロット内のデバイス動作特徴がそれに従って集約される。
その後、双方向のマンバモデルはこれらの短期的表現を全ての時間間隔で統合し、各デバイスに対して安定かつ信頼性のある長期的行動評価を生成する。
実験結果から, BMはベースライン法よりも高い評価精度を実現し, タスク完了値の最大化を図った共同作業者の選定を可能にした。
関連論文リスト
- From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - HRIBench: Benchmarking Interaction-Centric Human-Robot Collaboration [62.19372189311434]
HRIBenchは,実行シナリオに基づいた意図認識型人間ロボットコラボレーションの診断ベンチマークである。
HRIBenchは、エージェントの役割、時間的依存、調整の制約、人間の振る舞いの分布を明示的にモデル化する構造化シナリオスクリプトとして、協調的なタスクを表現している。
その結果,現状の基盤ロボット政策は,操作能力が強いにもかかわらず,協調的な環境下では極めて困難であることが示唆された。
論文 参考訳（メタデータ） (2026-07-05T09:15:35Z) - VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions [63.13827503828231]
我々は、長期ユーザーインタラクションにおけるパーソナライズされたプロアクティブなエージェント動作を評価するためのベンチマークであるVitaBench 2.0を紹介する。
結果は、最先端のモデルでさえ、現実世界のパーソナライゼーションは非常に困難であることを示している。
論文 参考訳（メタデータ） (2026-05-26T15:07:38Z) - Rethinking Video Human-Object Interaction: Set Prediction over Time for Unified Detection and Anticipation [18.693454975393703]
ビデオベースヒューマンオブジェクトインタラクション(HOI)の理解には、進行中のインタラクションを検出し、将来の進化を予測する必要がある。
対象対象の局所化,現在のHOI検出,将来の予測を共同で行う,ペア中心のフレームワークであるDETAnt-HOIとHOI-DAを紹介する。
実験では、検出と予測の両方において一貫した改善が見られ、より長い地平線でより大きな利得が得られた。
論文 参考訳（メタデータ） (2026-04-12T01:07:43Z) - ALPBench: A Benchmark for Attribution-level Long-term Personal Behavior Understanding [53.88804678012327]
ALPBenchは属性レベルの長期的個人行動理解のためのベンチマークである。
ユーザと興味のある属性の組み合わせを予測し、基幹構造評価を可能にする。
ユーザの明示的に表現された要求よりも、長期的な歴史的行動の好みをモデル化する。
論文 参考訳（メタデータ） (2026-02-03T03:32:16Z) - Trust Semantics Distillation for Collaborator Selection via Memory-Augmented Agentic AI [51.4138877170325]
本稿では,大規模AIモデル(LAM)に基づく教師・学生エージェントアーキテクチャに基づくタスク固有の信頼度セマンティックス蒸留モデルを提案する。
提案した2TSDモデルでは,協調者評価時間を短縮し,機器資源消費量を削減し,協調者選択の精度を向上させることができる。
論文 参考訳（メタデータ） (2025-09-09T21:18:31Z) - Rapid and Continuous Trust Evaluation for Effective Task Collaboration Through Siamese Model [9.467463634233177]
本稿では,効果的なタスクコラボレーションを促進するために,シームズ対応の迅速・連続信頼評価フレームワーク(SRCTE)を提案する。
実際のシステムは、2つのDell EMC 5200サーバとGoogle Pixel 8を使って構築され、提案されているSRCTEフレームワークの有効性をテストする。
実験結果から,SRCTEは少量のデータだけで急速に収束し,異常信頼検出率が高いことがわかった。
論文 参考訳（メタデータ） (2025-06-20T16:30:59Z) - Improving Trust Estimation in Human-Robot Collaboration Using Beta Reputation at Fine-grained Timescales [28.8269384384984]
本稿では,詳細な時間スケールでのベータ評価を用いた人的信頼度推定のための新しい枠組みを提案する。
本研究では,最大エントロピー最適化を用いた連続報酬関数を構築し,性能指標の厳密な仕様化の必要性を解消する。
論文 参考訳（メタデータ） (2024-11-04T07:46:24Z) - Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。
動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。
提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
論文 参考訳（メタデータ） (2024-08-30T15:39:34Z) - Dynamic Embeddings for Interaction Prediction [2.5758502140236024]
推薦システム(RS)では、ユーザが対話する次の項目を予測することが、ユーザの保持に不可欠である。
近年,ユーザとアイテム間の相互相互作用を個別のユーザとアイテムの埋め込みを用いてモデル化する手法の有効性が示されている。
本稿では,DeePRedと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2020-11-10T16:04:46Z)
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。