論文の概要: Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction
- arxiv url: http://arxiv.org/abs/2609.40069v1
- Date: Wed, 30 Sep 2026 16:23:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:28.037142
- Title: Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction
- Title（参考訳）: 対話型キャプチャ:マルチターンヒューマンエージェントインタラクションにおける生成エンジン最適化評価のための軌道レベルフレームワーク
- Abstract要約: 一つの答えは分析の不十分な単位であると主張する。
我々は、早期に引用された情報源が再び引用される可能性が著しく高くなるような会話キャプチャーを導入する。
- 参考スコア（独自算出の注目度）: 3.386858615912354
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Generative Engine Optimization (GEO) shapes content to increase its likelihood of being cited by answer engines built on retrieval-augmented large language models. GEO is typically evaluated as a single-turn property: for a fixed query, an evaluator measures a source's visibility in one answer. We argue that the single answer is an inadequate unit of analysis. Human-agent information seeking forms a closed loop: the agent's answer changes the user's beliefs and therefore the next question, which in turn determines what the agent retrieves. We introduce conversational capture, a phenomenon in which a source cited early becomes substantially more likely to be cited again. Capture operates through a machine-side channel, history-conditioned retrieval, and a human-side channel, follow-up questions directed toward the captured source. We formalize the interaction as a two-layer closed-loop system and derive trajectory-level constructs: cumulative conversational visibility; a direct/feedback decomposition of trajectory gain; a nested split of the feedback term into machine-side and human-side channels; a capture coefficient; a compounding ratio; and a misranking diagnostic. Using reinforcement-process (Pólya-urn) theory, we prove that the feedback term is zero under single-turn evaluation and that GEO's cumulative payoff grows superlinearly with conversation length while capture develops. A model-derived illustration shows that the feedback term can exceed the direct term, the compounding ratio exceeds two within ten turns, and single-turn and trajectory rankings agree only weakly (Kendall's $τ= 0.4$). We connect the human channel to information foraging, trust calibration, and Bayesian persuasion, and discuss design implications for answer engines.
- Abstract（参考訳）: Generative Engine Optimization (GEO)は、検索強化された大規模言語モデル上に構築された回答エンジンによって引用される可能性を高めるために、コンテンツを形作る。
GEOは通常、単一ターンプロパティとして評価される: 固定クエリの場合、評価器は1つの回答でソースの可視性を測定する。
一つの答えは分析の不十分な単位であると主張する。
エージェントの回答はユーザの信念を変えるので、次の質問はエージェントが何を取得するかを決定する。
我々は、早期に引用された情報源が再び引用される可能性が著しく高くなる現象である会話キャプチャーを導入する。
キャプチャは、マシン側チャネル、履歴条件付き検索、人間側チャネルを通じて動作し、キャプチャされたソースへのフォローアップ質問を行う。
我々は、2層閉ループシステムとして相互作用を定式化し、累積的な会話可視性、軌道ゲインの直接/フィードバック分解、フィードバック項のネスト分割を機械側と人側チャネルに分割する、キャプチャ係数、合成比、誤判定といった軌道レベルの構成を導出する。
強化過程 (Pólya-urn) 理論を用いて、フィードバック項は単ターン評価ではゼロであり、GEOの累積ペイオフは、捕捉しながら会話の長さとともに超直線的に増加することを証明した。
モデル由来のイラストでは、フィードバック項は直接項を超えることができ、合成比は10回以内の2回を超え、シングルターンとトラジェクトリのランクは弱みにしか一致しない(ケンドールの$τ= 0.4$)。
我々は,人間のチャネルを情報捕食,信頼度校正,ベイズ的説得に結び付け,応答エンジンの設計上の意味について議論する。
関連論文リスト
- Parameters vs. Context: TRACE Fine-Tuning for Robust Retrieval-Augmented Generation [8.247532619725524]
Retrieval-Augmented Generation (RAG)は、外部コンテキストを導入することで、大規模言語モデルにおける知識の陳腐化と事実の幻覚を緩和する。
本稿では,RAGのための堅牢な微調整フレームワークであるTRACEを提案する。
論文 参考訳（メタデータ） (2026-09-24T09:53:39Z) - CAFE: Self-Improving Search Agents Need Co-Evolving Feedback [64.5257526832476]
アウトカム管理された検索エージェントは、いつ、どのように証拠を回収するかを学習するが、端末の報酬は中間エラーのローカライズも、それらのエラーが複雑になる前に継続する軌道のリダイレクトもしない。
学習した軌道内での介入として修正的フィードバックを扱うことは、エージェントがいつフィードバックを要求し使用するかを決めなければならないのに対し、批評家は、エージェントが改善するにつれて障害パターンが変化する結果構築されたロールアウトから有用な修正を推測しなければならない。
論文 参考訳（メタデータ） (2026-08-25T16:39:00Z) - Glance, Scrutinize, and Think: Advancing Video Anomaly Detection from Training-Free to Agentic Reasoning [27.676141768874732]
ビデオ異常検出(VAD)は、異常事象を特定し、時間間隔をローカライズすることを目的としている。
従来の手法は異常が発生した時に局所化するが、意味的な理解が欠如している。
Glance then Scrutinize (GtS) は静的および動的テキストガイダンスを用いたトレーニング不要のフレームワークである。
実験の結果、GtSはトレーニング不要のベースラインを大幅に超え、エージェントモデルは高い精度と高速な推論を提供することがわかった。
論文 参考訳（メタデータ） (2026-08-07T17:07:49Z) - DiffuseAgent-MI: Distributionally-Grounded,Tool-Integrated Self-Evolving Agents for Faithful Visual Reasoning [24.745715007832953]
DiffuseAgent-MIは、以前の自己進化剤よりも最大5.1ポイント精度を向上させる。
GeoQA、SciVis、VQA-v2、および社内のマルチモーダル推論セットでは、DiffuseAgent-MIは最大5.1ポイントの精度を向上させる。
論文 参考訳（メタデータ） (2026-08-01T08:54:44Z) - Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023-2026) [0.0]
生成エンジン最適化は、コンテンツの存在、引用の可能性、生成エンジンが生成する回答への影響を高めることを目指している。
この批判的な調査は、2023年11月から2026年7月までに選択された45の研究をレビューする。
論文 参考訳（メタデータ） (2026-07-15T17:03:08Z) - Agentic Transformers Provably Learn to Search via Reinforcement Learning [80.1412817870784]
木探索は多くの言語エージェント推論と意思決定タスクの背後にある中心的な抽象化である。
エージェント変換器は相互作用を通してその軌道履歴のみを観察する。
ランダム化深度優先探索(DFS)を実装した2ヘッドトランスを最初に構築する。
そこで我々は,このDFS機構が,緩やかな強化フィードバックから,段階的に現れることを示す。
論文 参考訳（メタデータ） (2026-05-29T14:58:03Z) - Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。
アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。
ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
論文 参考訳（メタデータ） (2026-04-21T15:05:58Z) - Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。
近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。
提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
論文 参考訳（メタデータ） (2025-11-12T08:29:39Z) - Dialogue Response Ranking Training with Large-Scale Human Feedback Data [52.12342165926226]
ソーシャルメディアのフィードバックデータを利用して、フィードバック予測のための大規模なトレーニングデータセットを構築します。
我々は,1300万対の人間のフィードバックデータに基づくGPT-2モデルであるDialogRPTを訓練した。
我々のランキングは、Redditのフィードバックを予測する上で、従来のダイアログの難易度ベースラインよりも優れています。
論文 参考訳（メタデータ） (2020-09-15T10:50:05Z) - Posterior-GAN: Towards Informative and Coherent Response Generation with
Posterior Generative Adversarial Network [38.576579498740244]
我々は,新しいエンコーダデコーダに基づく生成逆学習フレームワーク,Posterior Generative Adversarial Network (Posterior-GAN)を提案する。
実験結果から,本手法は自動評価と人的評価の両方において,生成した応答の情報性とコヒーレンスを効果的に向上させることが示された。
論文 参考訳（メタデータ） (2020-03-04T11:57:53Z)
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。