Fugu-MT 論文翻訳(概要): R$^2$A: Learning Persona Policies Through Persona Representation Learning and Runtime Alignment

論文の概要: R$^2$A: Learning Persona Policies Through Persona Representation Learning and Runtime Alignment

arxiv url: http://arxiv.org/abs/2608.29798v1
Date: Sun, 30 Aug 2026 13:55:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.077801
Title: R$^2$A: Learning Persona Policies Through Persona Representation Learning and Runtime Alignment
Title（参考訳）: R$^2$A:ペルソナ表現学習と実行アライメントによるペルソナポリシーの学習
Abstract要約: 同じペルソナの振る舞いは、あるコンテキストでは有益だが、別のコンテキストでは有害である。本稿では,Persona Selection-Realization Frameworkを紹介した。ペルソナ政策を学習するための2段階のアプローチであるR$2$Aを提案する。
参考スコア（独自算出の注目度）: 15.3833693130877
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The same Persona behavior can be beneficial in one context but harmful in another, causing static Persona elicitation to perform inconsistently across tasks. We introduce the Persona Selection--Realization Framework, which models behavior generation through a latent Persona state and decomposes it into Persona Selection and Persona Realization. The discrepancies between static Persona elicitation and an ideal Persona policy in these two components define the Selection Gap and Realization Gap, respectively. Building on this framework, we propose R$^2$A, a two-stage approach for learning Persona policies. Persona Representation Learning uses structured Who--How--What presentations to encode the target Persona's objective, conditional behavioral principles, and trajectory-level manifestations. Persona Runtime Alignment then removes the explicit Persona specification and jointly calibrates behavior selection and trajectory realization using task feedback. Across 12 evaluation settings covering the four principles of the Accountable-Professional Persona studied in this work, R$^2$A overall outperforms both the base model and static Persona elicitation. Ablation results further show that Persona Representation Learning is critical for preventing Runtime Alignment from producing behaviorally imbalanced policies and for achieving more stable Persona policy learning.
Abstract（参考訳）: 同じペルソナの振る舞いは、あるコンテキストでは有益だが、別のコンテキストでは有害であり、静的ペルソナ誘発はタスク間で矛盾なく実行される。本稿では、潜在するペルソナ状態を通して行動生成をモデル化し、ペルソナ選択とペルソナ実現に分解するペルソナ選択-Realization Frameworkを紹介する。これら2つのコンポーネントにおける静的ペルソナエレケーションと理想的なペルソナポリシーの相違は、それぞれ選択ギャップと実現ギャップを定義する。本稿では,Personaポリシーを学習するための2段階のアプローチであるR$^2$Aを提案する。ペルソナ表現学習は、対象のペルソナの目的、条件付き行動原理、軌跡レベルの宣言を符号化する構造化されたWho-How-Whatプレゼンテーションを使用する。 Persona Runtime Alignmentは、明示的なPersona仕様を削除し、タスクフィードバックを使用して行動選択と軌道実現を共同で校正する。本研究で研究した説明責任人格の4つの原則を網羅した12項目の評価設定において,R$^2$Aは基本モデルと静的人格の双方において総合的に優れていた。アブレーションの結果,ペルソナ表現学習は,実行時アライメントが行動不均衡な政策を発生させ,より安定したペルソナ政策学習を実現するために重要であることが示唆された。

関連論文リスト

PersonaKit (PK): A Plug-and-Play Platform for User Testing Diverse Roles in Full-Duplex Dialogue [8.78029839113787]
本稿では,対話エージェントの迅速なプロトタイピングと評価を行うための,オープンソースのWebプラットフォームであるPersonaKitを提案する。我々は,PersonaKitが次世代音声エージェントの複雑な社会言語行動を研究するためのエンドツーエンドのフレームワークを提供することを示す。
論文参考訳（メタデータ） (2026-05-07T11:00:03Z)
Enhancing Persona Following at Decoding Time via Dynamic Importance Estimation for Role-Playing Agents [13.003892350610947]
社会学研究におけるロールプレイング言語エージェントの有用性は,大規模言語モデルの導入とともに増大している。社会シミュレーションにおけるリアリズムにおいては、ロールプレイング言語エージェントは、キャラクタープロファイルによって定義されたペルソナに従わなければならない。本稿では,文脈に依存したペルソナの重要度を動的に推定し,重み付けされた報酬誘導復号に組み込む新しい理論駆動手法を提案する。
論文参考訳（メタデータ） (2026-03-02T04:37:16Z)
PERSONA: Dynamic and Compositional Inference-Time Personality Control via Activation Vector Algebra [84.59328460968872]
大規模言語モデルにおけるパーソナリティ制御の現在の手法は、静的なプロンプトや高価な微調整に依存している。ペルソナ(PERSONA)は、人格ベクトルを直接操作することで、微調整レベルのパフォーマンスを実現する訓練不要のフレームワークである。 PersonalityBenchでは、この手法は平均スコア9.60を達成し、教師付き微調整上界9.61とほぼ一致している。
論文参考訳（メタデータ） (2026-02-17T15:47:58Z)
PersonaDual: Balancing Personalization and Objectivity via Adaptive Reasoning [57.10486355722133]
PersonaDualは、汎用的な客観的推論とパーソナライズされた推論の両方を単一のモデルでサポートする。客観的およびパーソナライズされたベンチマークの実験は、PersonaDualが干渉を減らしながらパーソナライゼーションの利点を保っていることを示している。
論文参考訳（メタデータ） (2026-01-13T16:02:35Z)
Persona-Aware Alignment Framework for Personalized Dialogue Generation [22.612334742745492]
本稿では,対話生成のトレーニング目的としてペルソナアライメントを扱うPAL(Persona-Aware Alignment Framework)を提案する。 PALは、ペルソナ認識学習とペルソナアライメントを含む2段階のトレーニング手法を採用し、簡単に使える推論戦略Selectを使用して生成する。我々のフレームワークは、多くの最先端のパーソナライズされた対話手法や大規模言語モデルよりも優れていることを実証する。
論文参考訳（メタデータ） (2025-11-13T11:36:47Z)
TwinVoice: A Multi-dimensional Benchmark Towards Digital Twins via LLM Persona Simulation [55.55404595177229]
大型言語モデル(LLM)は、人間のような能力を示す。 TwinVoiceは、さまざまな現実世界のコンテキストにわたるペルソナシミュレーションを評価するためのベンチマークである。
論文参考訳（メタデータ） (2025-10-29T14:00:42Z)
DPRF: A Generalizable Dynamic Persona Refinement Framework for Optimizing Behavior Alignment Between Personalized LLM Role-Playing Agents and Humans [28.038221167188013]
言語モデルロールプレイングエージェント(LLM RPA)は、個人の行動のシミュレートを目的としている。 Dynamic Persona Refinement Framework (DPRF) は、LLM RPAの動作とターゲット個人とのアライメントを最適化することを目的としている。
論文参考訳（メタデータ） (2025-10-16T01:26:38Z)
FDPP: Fine-tune Diffusion Policy with Human Preference [57.44575105114056]
人間の嗜好を考慮した微調整拡散政策は、嗜好に基づく学習を通して報酬関数を学習する。この報酬は、訓練済みの政策を強化学習で微調整するために使われる。実験により、FDPPは性能を損なうことなく、効果的にポリシーの動作をカスタマイズできることが示されている。
論文参考訳（メタデータ） (2025-01-14T17:15:27Z)
Are Personalized Stochastic Parrots More Dangerous? Evaluating Persona Biases in Dialogue Systems [103.416202777731]
我々は、対話モデルが採用するペルソナに付随する有害な行動の感度であると定義する「ペルソナバイアス」について検討する。我々は,人格バイアスを有害な表現と有害な合意のバイアスに分類し,攻撃性,有害継続性,関連性,ステレオタイプ合意,および有害合意の5つの側面において,人格バイアスを測定する包括的な評価枠組みを確立する。
論文参考訳（メタデータ） (2023-10-08T21:03:18Z)
A Neural Topical Expansion Framework for Unstructured Persona-oriented Dialogue Generation [52.743311026230714]
Persona Exploration and Exploitation (PEE)は、事前に定義されたユーザペルソナ記述を意味論的に相関したコンテンツで拡張することができる。 PEEはペルソナ探索とペルソナ搾取という2つの主要なモジュールで構成されている。提案手法は, 自動評価と人的評価の両面で, 最先端のベースラインを上回っている。
論文参考訳（メタデータ） (2020-02-06T08:24:33Z)

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。