論文の概要: Augmenting Human Performance with an XR Agent Learning from Online Behavior and BCI Evidence

• arxiv url: http://arxiv.org/abs/2608.30369v1
• Date: Mon, 31 Aug 2026 07:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.281681
• Title: Augmenting Human Performance with an XR Agent Learning from Online Behavior and BCI Evidence
• Title（参考訳）: オンライン行動とBCIエビデンスから学ぶXRエージェントによる人的パフォーマンス向上
• Abstract要約: OLIVEは、時間的要求、ハイテイク、動的タスクにおいてリアルタイムのアシストを提供する基盤モデルを適用するためのフレームワークである。 OLIVEは明示的な行動信号(XRファーストパーソンシューティングゲームでユーザがシュートダウンするターゲット)と暗黙的な生理的信号(固定ロック脳波)から学習し、タイムリーなガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 6.818115985777232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present OLIVE, a framework for adapting a foundation model to provide real-time assistance in temporally demanding, high-stakes, and dynamic tasks. We show that passive EEG, fused online with behavioral evidence, can meaningfully extend the number of targets users detect and engage beyond their unaided action bandwidth. OLIVE learns from both explicit behavioral signals (the targets the user shoots down in an XR first-person shooter game) and implicit physiological signals (fixation-locked EEG) to provide timely guidance, continuously adapting a frozen vision-language model's inference on which items are task-relevant by jointly estimating per-source reliability without manual labels or offline training. Through three user studies, including two live deployments of an assistive agent driven by OLIVE in XR, we show that OLIVE Pareto-dominates prior test-time adaptation frameworks, achieving the highest convergence rate at comparable convergence speed. Combining implicit physiological and explicit behavioral signals, the OLIVE agent produces the largest and most reliable within-session improvement to a user's ability to detect and engage targets, largely independent of the individual's skill. When the target switches silently, the agent that uses both behavioral and physiological signals reconverges significantly faster than the behavior-only agent (1.27 times faster on average, p = .008), restoring trustworthy guidance at the moment the task changes, precisely when reliable assistance matters most.
• Abstract（参考訳）: OLIVEは,時間的要求,ハイテイク,動的タスクをリアルタイムに支援するための基礎モデルを適用するためのフレームワークである。 行動証拠をオンラインに融合した受動的脳波は、ユーザが検出し、意図しないアクション帯域を超えるエンゲージメントのターゲット数を有意に拡張できることを示す。 OLIVEは、明示的な行動信号(ユーザがXRファーストパーソンシューティングゲームでシュートダウンするターゲット)と暗黙の生理的信号(固定ロックされたEEG)の両方から学習し、手動ラベルやオフライントレーニングなしでソース毎の信頼性を共同で推定することにより、凍結した視覚言語モデルのタスク関連性推論を継続的に適用する。 XRでOLIVEによって駆動される2つの補助エージェントのライブ展開を含む3つのユーザスタディを通じて、OLIVE Pareto--がテスト時適応フレームワークを支配し、コンバージェンス速度で最高収束率を達成することを示す。 暗黙の生理的および明示的な行動信号を組み合わせることで、OLIVEエージェントは、個人のスキルに大きく依存せず、ターゲットを検出し、関与するユーザの能力に対して、最大の、最も信頼性の高いセッション内改善を生み出す。 標的が静かに切り替わると、行動信号と生理信号の両方を使用するエージェントは、行動専用エージェント(平均で1.27倍、p = .008)よりもかなり早く再収束し、タスクが変化した時点で信頼できるガイダンスを復元する。

関連論文リスト

• From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
  大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。 我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
  論文  参考訳（メタデータ） (2026-08-17T01:40:14Z)
• 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)
• SEAL: Synergistic Co-Evolution of Agents and Learning Environments [11.720414165425256]
  大きな言語モデル(LLM)エージェントは、インタラクションによってますます改善されている。 ほとんどの自己進化的手法は、政策または学習環境を独立に適応させる。 対話型ツール利用エージェントのためのクローズドループ共進化フレームワークSEALを提案する。
  論文  参考訳（メタデータ） (2026-05-23T06:41:31Z)
• Proactive Rejection and Grounded Execution: A Dual-Stage Intent Analysis Paradigm for Safe and Efficient AIoT Smart Homes [37.92248202525651]
  本稿では,低レベルの物理的実行から高レベルのユーザ意図理解を分離するためのDual-Stage Intent-Aware (DS-IA)フレームワークを提案する。 試験の結果、DS-IAは58.56%(ベースラインを28%以上上回る)のエクサクトマッチ(EM)を達成し、無効命令の拒否率を87.04%に改善した。
  論文  参考訳（メタデータ） (2026-03-17T07:38:39Z)
• ICON: Indirect Prompt Injection Defense for Agents based on Inference-Time Correction [24.416258744287166]
  ICONは、タスクの連続性を維持しながら攻撃を中和する、調査と軽減のためのフレームワークである。 ICONは競争力のある0.4%のASRを達成し、商業グレード検出器と一致し、50%以上のタスクユーティリティーゲインを得る。
  論文  参考訳（メタデータ） (2026-02-24T09:13:05Z)
• Autonomous Continual Learning of Computer-Use Agents for Environment Adaptation [57.65688895630163]
  ACuRLは自律的なカリキュラム強化学習フレームワークで、エージェントを人間データゼロの特定の環境に継続的に適応させる。 本研究では,環境内学習と環境横断学習の両方を効果的に実現し,既存の環境を忘れずに4～22%の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-02-10T23:06:02Z)
• DynaCausal: Dynamic Causality-Aware Root Cause Analysis for Distributed Microservices [17.058900957896864]
  DynaCausalは、分散マイクロサービスシステムにおける原因分析のための動的因果認識フレームワークである。 我々は、DynaCausalが最先端の手法を一貫して超え、平均AC@1が0.63で、絶対利得が0.25から0.46であることを示す。
  論文  参考訳（メタデータ） (2025-10-26T10:13:18Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
  我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。 我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。 MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-08-26T08:47:58Z)
• Leadership Detection via Time-Lagged Correlation-Based Network Inference [0.0]
  本研究では,速度,加速度,方向といった複数の変数にまたがる時間差相関を用いた動的ネットワーク推定手法を提案する。 提案手法は,データ量やパラメータ依存の離散化を必要とせずに,指導パターンの識別を可能にする。
  論文  参考訳（メタデータ） (2025-07-07T12:04:10Z)
• Benchmark Real-time Adaptation and Communication Capabilities of Embodied Agent in Collaborative Scenarios [2.930915232771767]
  リアルタイムな人間とAIのコラボレーションは、エージェントが効果的なコミュニケーションを動的に維持しながら、目に見えない人間の行動に適応する必要がある。 我々は,強力な適応性とリアルタイム実行によるコミュニケーションを組み合わせたMonTA(Monitor-then-Adapt framework)を提案する。 提案したベンチマークでは,MonTAが他のベースラインエージェントより優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-30T11:17:17Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)

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。