論文の概要: When More Data Is Not Enough: The Context-Sufficiency Frontier in Generative AI Personalization

• arxiv url: http://arxiv.org/abs/2610.00654v1
• Date: Wed, 30 Sep 2026 19:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.73732
• Title: When More Data Is Not Enough: The Context-Sufficiency Frontier in Generative AI Personalization
• Title（参考訳）: AIの創出的パーソナライゼーションにおけるコンテキスト充足のフロンティア
• Abstract要約: 本研究では,ユーザの現在の意図に対するコンテキストの関連性が,その量よりも重要であるという,文脈充足性の理論を考案する。 大手家庭家具小売店のジェネレーティブ・レコメンデーターを用いたフルファクター実験では、関連コンテキストが適切性を改善し、無関係コンテキストが減少し、検索が不安定になった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalization has long relied on customer data to infer what an individual is likely to value. We call this customer evidence: the customer's historical behavior and preferences. Generative AI extends personalization by allowing providers to supply changing situational information at the moment a response is produced, without encoding every condition in advance. We define this provider-side context as information about what is possible, permitted, or advisable now. This flexibility creates a new problem: once context becomes easy to supply, more is not necessarily better. We develop a theory of context sufficiency in which the relevance of context to the customer's current intent matters more than its volume. The theory identifies four states, insufficiency, sufficiency, saturation, and interference, and introduces the Context-Sufficiency Frontier to locate the minimal relevant set. In a full-factorial experiment with a generative recommender at a large home-furnishing retailer, relevant context improved appropriateness, while irrelevant context reduced it and destabilized retrieval. The framework shifts personalization from supplying more context toward identifying what the current interaction actually requires and enforcing constraints throughout the service process.
• Abstract（参考訳）: パーソナライゼーションは、個人の価値を推測するために、顧客データに依存してきた。 私たちはこの顧客の証拠を、顧客の歴史的な行動と好みと呼びます。 生成AIは、プロバイダが事前にすべての条件をエンコードすることなく、応答が生成された時点で変化する状況情報を供給できるようにすることにより、パーソナライズを拡張する。 このプロバイダ側のコンテキストを,現在何が可能であるか,許可されているか,あるいは推奨可能なのかに関する情報として定義しています。 この柔軟性は新たな問題を生み出します – コンテキストの供給が簡単になったら,より多くのことが必ずしもよいとは限らないのです。 本研究では,ユーザの現在の意図に対するコンテキストの関連性が,その量よりも重要であるという,文脈充足性の理論を考案する。 この理論は、不足、飽和、飽和、干渉の4つの状態を特定し、最小限の関連する集合を見つけるためにコンテキスト充足フロンティアを導入する。 大手家庭家具小売店のジェネレーティブ・レコメンデーターを用いたフルファクター実験では、関連コンテキストが適切性を改善し、無関係コンテキストが減少し、検索が不安定になった。 このフレームワークはパーソナライゼーションを、よりコンテキストを提供することから、現在のインタラクションが実際に必要とするものを特定し、サービスプロセス全体にわたって制約を強制することへとシフトさせる。

関連論文リスト

• Information Abundance Paradox: Long-Context Training Undermines Parametric Knowledge [72.54679781634037]
  本研究では、コンテキストウィンドウがモデルの学習モードをどう形成し、パラメトリックな内部化と文脈化にシフトするかを検討する。 本稿では,情報パラドックス(Information Paradox)を提案する。このパラドックスは,学習コンテキストにおける豊富な関連情報が,その情報をパラメトリックに符号化するインセンティブを低下させる可能性があることを仮定する。
  論文  参考訳（メタデータ） (2026-08-12T16:13:05Z)
• 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)
• When Helpful Context Leaks: Privacy Risks in Domain-Adapted ASR [17.93682540686544]
  SpeechLLMは、ドメインのカスタマイズが標準的なプラクティスであるプロフェッショナルな設定にますますデプロイされる。 ドメイン固有の用語を認識するために適応されたモデルは、その文脈から音韻的に類似した単語を転写する。 我々は、迅速なレベルの緩和戦略を評価し、カスタマイズアプローチ間の精度低下トレードオフを分析する。
  論文  参考訳（メタデータ） (2026-05-27T09:30:36Z)
• QUITO-X: A New Perspective on Context Compression from the Information Bottleneck Theory [75.81394991657545]
  問題をモデル化するために情報ボトルネック理論(IB)を導入する。 IBにおける相互情報に近似するクロスアテンションに基づく手法を提案する。 提案手法は,最先端技術と比較して25%の圧縮率向上を実現している。
  論文  参考訳（メタデータ） (2024-08-20T02:44:45Z)
• Context Steering: Controllable Personalization at Inference Time [5.064910647314323]
  Context Steering(CoS)は、次のトークン予測におけるコンテキストの影響を増幅する、トレーニング不要なデコーディングアプローチである。 自己回帰型LDMにはCoSが適用可能であることを示し、パーソナライズされたレコメンデーションにおいて高い性能を示す。
  論文  参考訳（メタデータ） (2024-05-02T22:37:38Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)

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。