論文の概要: Learning to Clarify Underspecified Intents Under Limited Interaction

• arxiv url: http://arxiv.org/abs/2610.04719v1
• Date: Sat, 03 Oct 2026 19:17:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 17:28:07.303031
• Title: Learning to Clarify Underspecified Intents Under Limited Interaction
• Title（参考訳）: 限定的相互作用による不特定成分の明確化
• Abstract要約: AIアシスタントは、例えばユーザの好みや目標など、良い結果に必要な情報を除外するリクエストを受け取る。 我々はこれを情報の価値問題として再認識する: アシスタントは、不在がユーザユーティリティの最大の回避可能な損失の原因となる情報を取得するべきである。 マルチターンシミュレーションを用いた強化学習フレームワークを考案し,不確実性下での実用性回復を最大化する。
• 参考スコア（独自算出の注目度）: 27.526872154566316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI assistants receive requests that leave out information needed for a good outcome, for example about users' preferences or goals. They must then either speculate or ask for more information before proceeding. We reconceptualize this as a value-of-information problem: the assistant should acquire information whose absence causes the greatest avoidable loss in user utility. This is rarely known ex ante; rather, assistants must predict it in order to optimally allocate limited user interactions. We instantiate this problem in image generation and derive a reinforcement learning framework using multi-turn simulated users to maximize utility recovery under uncertainty. In a preregistered study with 456 interactive sessions across 76 human participants, this helped users significantly better match reference images with significantly fewer questions, less total interaction time, and lower cost. This points toward a simple and scalable framework for training language model assistants to better disambiguate user intent by asking more informative questions.
• Abstract（参考訳）: AIアシスタントは、例えばユーザの好みや目標など、良い結果に必要な情報を除外するリクエストを受け取る。 その後、推測するか、さらに情報を求める必要がある。 我々はこれを情報の価値問題として再認識する: アシスタントは、不在がユーザユーティリティの最大の回避可能な損失の原因となる情報を取得するべきである。 アシスタントは、限られたユーザーインタラクションを最適に割り当てるために、それを予測しなければならない。 画像生成においてこの問題をインスタンス化し、マルチターンシミュレートされたユーザを用いた強化学習フレームワークを導出し、不確実性下でのユーティリティリカバリを最大化する。 76人の参加者を対象にした456の対話的なセッションを事前登録した調査では、ユーザーはより少ない質問、全体のインタラクション時間、低コストで参照画像にマッチするのに大いに役立った。 これは、言語モデルアシスタントをトレーニングするためのシンプルでスケーラブルなフレームワークを指して、より有益な質問をすることで、ユーザの意図を曖昧にします。

関連論文リスト

• Beyond Labels: Information-Efficient Human-in-the-Loop Learning using Ranking and Selection Queries [10.128513811628201]
  我々は、リッチなクエリ型を持つバイナリ分類器を学習するためのHuman-in-the-loopフレームワークを開発した。 次に、リッチなクエリを活用するアクティブな学習アルゴリズムを設計し、インタラクション毎に得られる情報を増やします。 単語感情分類タスクにおけるこのアルゴリズムは、従来のラベルのみのアクティブな学習と比較して学習時間を57%以上削減する。
  論文  参考訳（メタデータ） (2026-02-17T17:14:15Z)
• Learning Steerable Clarification Policies with Collaborative Self-play [67.67872810596839]
  不明瞭なクエリを処理するために、AIアシスタントは不確実性を管理するためのポリシーが必要である。 我々は,この不確実性を管理するために,自己再生を用いて評価可能な政策を訓練することを提案する。 このことが、提供されたコストに応じて予測可能な振る舞いを変更する、評価可能なポリシーにつながることを示す。
  論文  参考訳（メタデータ） (2025-12-03T18:49:54Z)
• Enhancing Intent Understanding for Ambiguous prompt: A Human-Machine Co-Adaption Strategy [50.714983524814606]
  現在の画像生成システムは高品質な画像を生成するが、曖昧なユーザープロンプトに苦慮している。 ユーザのプロンプトと修正中の画像の相互情報を用いた人間機械協調型適応戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-25T10:32:00Z)
• Clarify: Improving Model Robustness With Natural Language Corrections [59.041682704894555]
  モデルを教える標準的な方法は、大量のデータを提供することです。 このアプローチは、データ内の誤解を招く信号を拾うため、モデルに誤ったアイデアを教えることが多い。 モデル誤解をインタラクティブに修正するためのインターフェースと手法であるClarifyを提案する。
  論文  参考訳（メタデータ） (2024-02-06T05:11:38Z)
• What Else Do I Need to Know? The Effect of Background Information on Users' Reliance on QA Systems [23.69129423040988]
  本研究では,予測に十分な情報がない場合のQAシステムとのインタラクションについて検討する。 本研究は,モデルの正しさを評価するのに十分な情報がない場合でも,利用者がモデル予測に頼っていることを明らかにした。
  論文  参考訳（メタデータ） (2023-05-23T17:57:12Z)
• Ignorance is Bliss: Robust Control via Information Gating [60.17644038829572]
  情報パーシモニーは、ノイズや突発的相関に頑健であることにより、より良い一般化を実現する学習表現に有用な帰納的バイアスを提供する。 本稿では,タスクに必要な最小限の情報を識別する類似表現を学習する手段として,テキスト情報ゲーティングを提案する。
  論文  参考訳（メタデータ） (2023-03-10T18:31:50Z)
• Assisting Human Decisions in Document Matching [52.79491990823573]
  我々は,意思決定者のパフォーマンスを向上する支援情報の種類を評価するためのプロキシマッチングタスクを考案した。 ブラックボックスモデルによる説明を提供することで,マッチング作業におけるユーザの精度が低下することが判明した。 一方,タスク固有のデシラタに密接に対応するように設計されたカスタムメソッドは,ユーザのパフォーマンス向上に有効であることが判明した。
  論文  参考訳（メタデータ） (2023-02-16T17:45:20Z)
• Learning Reward Functions from Scale Feedback [11.941038991430837]
  一般的なフレームワークは、ユーザーが好む2つのロボット軌跡について反復的に質問することである。 そこで我々は,ユーザがスライダを使ってよりニュアンスな情報を提供するスケールフィードバックを提案する。 シミュレーションにおいてスライダフィードバックの利点を実証し,2つのユーザスタディにおけるアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2021-10-01T09:45:18Z)
• Self-Supervised Contrastive Learning for Efficient User Satisfaction Prediction in Conversational Agents [35.2098736872247]
  ユーザとエージェントのインタラクションを学習するための,自己指導型コントラスト学習手法を提案する。 自己教師対象を用いた事前学習モデルは,ユーザ満足度予測に転送可能であることを示す。 また、非常に小さなサンプルサイズに対して、より優れた転送性を確保するために、新しい数発の転送学習手法を提案する。
  論文  参考訳（メタデータ） (2020-10-21T18:10:58Z)
• Presentation of a Recommender System with Ensemble Learning and Graph Embedding: A Case on MovieLens [3.8848561367220276]
  グループ分類とアンサンブル学習技術は,推薦システムにおける予測精度を高めるために用いられた。 The study was performed on the MovieLens datasets, and the obtained results showed the high efficiency of the present method。
  論文  参考訳（メタデータ） (2020-07-15T12:52:15Z)

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。