論文の概要: PACE: Towards Surfacing Hidden Conflicts in User Requests
- arxiv url: http://arxiv.org/abs/2609.03293v1
- Date: Thu, 03 Sep 2026 02:40:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-04 18:28:38.8957
- Title: PACE: Towards Surfacing Hidden Conflicts in User Requests
- Title（参考訳）: PACE: ユーザ要求に隠れた競合に直面する
- Abstract要約: PACEは、モデルが合理的なユーザリクエストを不適切にレンダリングする潜在的制約を識別できるかどうかを評価するデータセットである。
PACEは、エゴセントリックKBの事実と明確に定義されたペルソナに根ざしたユーザリクエストをペアリングし、要求が矛盾しているかどうかを判断するためにコンテキストエビデンスを統合する必要がある。
PACEの実験では、証拠検索の品質と競合判定の精度が評価され、PaceMakerは既存のアプローチを一貫して上回っていることが示されている。
- 参考スコア（独自算出の注目度）: 5.6582531294036755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized assistants should not only comply with user requests but also assess whether those requests are appropriate given the user's current circumstances. However, prior work has primarily focused on accurately executing requests, overlooking the need for assistants to account for context and engage in conflict-based refusal. Furthermore, while existing work on conflict or safety detection relies on explicitly provided factors, real-world scenarios often involve implicit factors that must be retrieved from a knowledge base (KB). To this end, we introduce Personalized Assistants for Conflict Evaluation (PACE), a dataset for evaluating whether models can identify latent constraints, expressed as egocentric knowledge or events, that render seemingly reasonable user requests inappropriate. PACE pairs user requests grounded in well-defined personas with egocentric KB facts, requiring models to integrate contextual evidence to determine whether a request is conflicting. This implicit retrieval setting hinders the direct association between user requests and conflict-inducing knowledge, making it difficult for existing models to identify relevant user-specific facts. To address this challenge, we further propose PaceMaker, a multi-agent framework in which specialized agents coordinate across query reformulation, multi-hop graph traversal, and conflict-aware filtering to retrieve contextually decisive evidence. Experiments on PACE evaluate both evidence retrieval quality and conflict decision accuracy, showing that PaceMaker consistently outperforms existing approaches.
- Abstract（参考訳）: パーソナライズされたアシスタントは、ユーザの要求に従うだけでなく、ユーザの現在の状況を踏まえて、それらの要求が適切かどうかを評価する必要がある。
しかしながら、以前の作業は主にリクエストを正確に実行することに焦点を当てており、コンテキストを考慮し、コンフリクトベースの拒否を行うアシスタントの必要性を見落としている。
さらに、競合や安全性検出に関する既存の研究は、明示的に提供された要因に依存しているが、現実のシナリオは、知識ベース(KB)から取得しなければならない暗黙の要因を伴っていることが多い。
この目的のために、我々はPersonalized Assistants for Conflict Evaluation (PACE)を導入し、モデルがエゴセントリックな知識やイベントとして表現される潜在的制約を識別できるかどうかを評価する。
PACEは、エゴセントリックKBの事実と明確に定義されたペルソナに根ざしたユーザリクエストをペアリングし、要求が矛盾しているかどうかを判断するためにコンテキストエビデンスを統合する必要がある。
この暗黙的な検索設定は、ユーザ要求とコンフリクトを誘発する知識の直接的な関連を妨げ、既存のモデルが関連するユーザ固有の事実を特定するのを困難にしている。
この課題に対処するために,クエリ修正,マルチホップグラフトラバーサル,コンフリクト対応フィルタリングといった特殊なエージェントを協調してコンテキスト的に決定的な証拠を検索するマルチエージェントフレームワークPaceMakerを提案する。
PACEの実験では、証拠検索の品質と競合判定の精度が評価され、PaceMakerは既存のアプローチを一貫して上回っていることが示されている。
関連論文リスト
- CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。
本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。
実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
論文 参考訳（メタデータ） (2026-08-12T04:27:45Z) - Personalized Deep Research Query Refinement with Graph-Scaffolded Evidence Grounding [9.25068659105141]
G-STEERは、様々な因子依存性とエビデンス条件にまたがるグラフスキャフォールド軌道から、明確化ポリシーを学習する。
実験の結果、G-STEERは、両DRAにおいて、最強の全体重み付き対象カバレッジと、最上位の下流レポートパーソナライズを実現していることがわかった。
論文 参考訳（メタデータ） (2026-08-06T10:58:17Z) - SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。
正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。
変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
論文 参考訳（メタデータ） (2026-08-04T13:16:15Z) - 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) - MMAgent-R$^2$: Learning to Rerank and Reject for Agentic mRAG [50.46218163777298]
知識に基づくビジュアル質問回答 (KB-VQA) では、大規模百科事典の知識ベースからクエリ画像と一致する視覚エンティティを検索し、関連する質問に答える必要がある。
MMAgent-R$2$は、視覚的リランク化と能動的拒絶を内部検証機構として統合したエージェントmRAGフレームワークである。
論文 参考訳（メタデータ） (2026-07-08T13:15:39Z) - When Search Agents Should Ask: DiscoBench for Clarification-Aware Deep Search [6.384441153713447]
本稿では,DecoBenchについて紹介する。
探索エージェントが曖昧さを積極的に識別し、効果的な明確化の質問をし、ユーザインタラクションを通じて正しい推論経路を復元できるかどうかを評価するように設計されている。
実験により、あいまいさの検出と効果的な明確化は異なる能力であり、明確化を求める代わりに繰り返し検索することが直接推測よりも悪いことが示されている。
論文 参考訳（メタデータ） (2026-06-26T02:57:15Z) - REAL: Resolving Knowledge Conflicts in Knowledge-Intensive Visual Question Answering via Reasoning-Pivot Alignment [21.368211618743256]
知識集約型視覚質問応答(KI-VQA)はしばしば、オープンドメイン検索の固有の制限によって引き起こされる深刻な知識紛争に悩まされる。
本稿では,Reasoning-Pivot の概念に基づく REAL (Reasoning-Pivot Alignment) フレームワークを提案する。
提案手法はReasoning-Pivot Aware SFT(RPA-SFT)と組み合わせて、競合をピボット抽出と整合させて一般化可能な判別器を訓練し、ターゲットの競合緩和にReasoning-Pivot Guided Decoding(RPGD)を用いる。
論文 参考訳（メタデータ） (2026-02-15T09:29:53Z) - Are We Asking the Right Questions? On Ambiguity in Natural Language Queries for Tabular Data Analysis [2.905751301655124]
我々は、ユーザとシステム間のクエリ仕様の共有責任に基づく、原則化されたフレームワークを開発する。
質問応答と分析の評価にフレームワークを適用することで、15の一般的なデータセットでクエリを分析する。
論文 参考訳（メタデータ） (2025-11-06T17:39:18Z) - Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。
提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
論文 参考訳（メタデータ） (2025-10-19T16:46:11Z) - Epistemic Alignment: A Mediating Framework for User-LLM Knowledge Delivery [17.23286832909591]
本稿では,哲学文献から得られた知識の伝達に関する10の課題を提案する。
ユーザはそれぞれの課題に対処するための回避策を開発しています。
AI開発者にとって、Epistemic Alignment Frameworkは、知識に対する多様なアプローチをサポートするための具体的なガイダンスを提供する。
論文 参考訳（メタデータ） (2025-04-01T21:38:12Z) - Tell Me What You Don't Know: Enhancing Refusal Capabilities of Role-Playing Agents via Representation Space Analysis and Editing [53.44380921234324]
我々は,文脈知識の競合要求,パラメトリック知識の競合要求,非競合要求を含む評価ベンチマークを開発する。
ほとんどのRPAは、異なる競合要求に対して、大幅なパフォーマンスギャップを動作します。
本稿では、競合する要求を拒否領域に都合よくシフトさせる軽量な表現編集手法を提案する。
論文 参考訳（メタデータ） (2024-09-25T13:18:12Z)
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。