論文の概要: What Happens During Autonomous Deep Research After the User Steps Away?

• arxiv url: http://arxiv.org/abs/2609.33509v1
• Date: Sun, 27 Sep 2026 12:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:11:39.564674
• Title: What Happens During Autonomous Deep Research After the User Steps Away?
• Title（参考訳）: ユーザーが歩いた後、自律的な深層調査で何が起きているのか?
• Abstract要約: 自律的なディープリサーチでは、ユーザーはタスクと関連するバックグラウンドを提供し、さらに人間の介入なしに拡張された調査を行うためにエージェントを離れる。 我々は、この初期ユーザー情報を中間行動にどのように反映するか、そしてこれらの行動が最終勧告にどう関係するかを考察する。 タスク関連ユーザファクタを1つ変更して、残りのコンテキストを固定しながら、取得要求、作業ドラフト、最終報告を比較します。
• 参考スコア（独自算出の注目度）: 12.806348370572715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In autonomous deep research, a user provides a task and relevant background, then leaves the agent to conduct an extended investigation without further human intervention. We study how this initial user information is reflected in intermediate actions and how these actions relate to final recommendations. We introduce DRaligned, a counterfactual behavioral evaluation framework built on PDR-Bench. By varying one task-relevant user factor while keeping the remaining context fixed, we compare acquisition requests, working drafts, and final reports. Source-grounded extraction, blinded local judgments, and deterministic aggregation yield coarse directional measurements while leaving ambiguous cases unresolved. Our experiments show that strong user-specific delivery can emerge from a largely shared research process: agents investigate similar broad questions but allocate requests differently, and final recommendations distinguish user conditions more clearly than explicit requests do. Reports can also integrate user factors that were not jointly visible during acquisition. In readable draft-to-report comparisons, recommendations often retain their coarse user-specific direction despite substantial rewriting. Final directional differences recur across tested agent models, execution harnesses, and evaluator models, even as execution paths vary. These findings describe how initial user information shapes autonomous research and clarify the relationship between the process an agent follows and the recommendations it delivers.
• Abstract（参考訳）: 自律的なディープリサーチでは、ユーザーはタスクと関連するバックグラウンドを提供し、さらに人間の介入なしに拡張された調査を行うためにエージェントを離れる。 我々は、この初期ユーザー情報を中間行動にどのように反映するか、そしてこれらの行動が最終勧告にどう関係するかを考察する。 PDR-Bench上に構築された反実的行動評価フレームワークであるDRalignedを紹介する。 タスク関連ユーザファクタを1つ変更して、残りのコンテキストを固定しながら、取得要求、作業ドラフト、最終報告を比較します。 原点抽出, 盲検局所判定, 決定論的集約は, 不明瞭な症例を未解決のまま残しながら, 粗い方向測定をもたらす。 エージェントは類似の幅広い質問を調査し、リクエストを異なる方法で割り当て、最終的なレコメンデーションは明示的な要求よりも明確なユーザ条件を識別する。 レポートはまた、買収時に共同で見えなかったユーザー要素を統合することもできる。 読みやすいドラフト・ツー・レポートの比較では、大幅な書き直しにもかかわらず、リコメンデーションはしばしばユーザ固有の粗い方向を維持します。 テスト対象のエージェントモデル、実行ハーネス、評価対象モデル間での最終的な方向性の違いは、実行パスが異なる場合でも発生する。 これらの知見は、初期ユーザ情報がどのように自律的な研究を形作り、エージェントが従うプロセスと、それを提供するレコメンデーションとの関係を明らかにするかを説明する。

関連論文リスト

• Reuse Before You Retrieve: Diagnosing Headroom and Complementarity for Test-Time Augmentation of Embodied Multimodal Policies [56.86456077356948]
  凍結言語アクション(VLA)ポリシーは、テスト時に徐々に改善されている。 追加のサンプリングは、ポリシーのロールアウト内により優れた振る舞いが存在する場合にのみ有効である。 検索は、関連するアクションがポリシーによって確実に表現されない場合に最も有用である。
  論文  参考訳（メタデータ） (2026-08-18T08:11:31Z)
• 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)
• 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)
• DRACULA: Hunting for the Actions Users Want Deep Research Agents to Execute [66.25314396197075]
  我々は、Scientific Deep Research(DR)エージェントの中間動作に対するユーザフィードバックを備えた、最初のデータセットであるDRACULAを収集する。 ユーザは好みのアクションを選択し、出力レポートが自分の選択をうまく適用したかどうかを判断します。 シミュレーションによるユーザ優先行動の予測可能性について検討し,LLMがユーザの選択した行動の予測方法について検討した。
  論文  参考訳（メタデータ） (2026-04-26T17:32:39Z)
• RecThinker: An Agentic Framework for Tool-Augmented Reasoning in Recommendation [63.74915464611075]
  RecThinkerはツール拡張推論を推奨するエージェントフレームワークである。 我々はRecThinker専用のツール群を開発し、モデルがユーザアイテム側および協調的な情報を取得することを可能にする。
  論文  参考訳（メタデータ） (2026-03-10T16:07:17Z)
• Addressing Personalized Bias for Unbiased Learning to Rank [56.663619153713434]
  Unbiased Learning to rank (ULTR)は、バイアスのあるユーザの行動ログからバイアスのないランキングモデルを学ぶことを目的としている。 そこで本研究では,学習からランクへの目標値を求めるために,新しいユーザ認識逆確率スコア推定器を提案する。
  論文  参考訳（メタデータ） (2025-08-28T14:01:31Z)
• Modeling User Behavior from Adaptive Surveys with Supplemental Context [1.433758865948252]
  本稿では,適応型サーベイ応答とコンテキスト信号とを融合させてユーザ動作をモデル化するモジュールアーキテクチャであるLANTERNを提案する。 我々は,選択的ゲーティング,残差接続,後期融合を通じて,調査プライマリーを維持することのアーキテクチャ的価値を実証する。 さらに、アブレーションとまれ/頻繁な属性分析により、閾値感度と選択的モダリティ依存の利点について検討する。
  論文  参考訳（メタデータ） (2025-07-28T15:19:54Z)
• Modeling Attention during Dimensional Shifts with Counterfactual and Delayed Feedback [0.4915744683251151]
  意思決定タスクの特定の特徴に人間がどのように参加するかをモデル化する2つの手法を比較した。 経験の歴史から情報理論の計量を計算することは、人間のような行動を考えるのに最適であることがわかった。
  論文  参考訳（メタデータ） (2025-01-19T20:26:34Z)
• Agentic Feedback Loop Modeling Improves Recommendation and User Simulation [55.857164472712455]
  本稿では,リコメンデーションエージェントとユーザエージェントの協調を支援するために,フィードバックループプロセスを強調する新しいフレームワークを提案する。 この反復的なプロセスは、両方のエージェントがユーザの振る舞いを推測する能力を高め、より効果的なアイテムレコメンデーションとより正確なユーザーシミュレーションを可能にします。
  論文  参考訳（メタデータ） (2024-10-26T00:51:39Z)

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。