論文の概要: Beyond States: Investigating the Effects of Context on User Modeling with Feature-Conditioned Markov Models

• arxiv url: http://arxiv.org/abs/2610.06060v1
• Date: Mon, 05 Oct 2026 09:52:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:59:03.901188
• Title: Beyond States: Investigating the Effects of Context on User Modeling with Feature-Conditioned Markov Models
• Title（参考訳）: Beyond States: 特徴定義マルコフモデルを用いたユーザモデリングにおけるコンテキストの影響の調査
• Abstract要約: 特徴条件付きマルコフスタイルのユーザモデルを導入する。 我々は、コンテキスト情報の異なるソースが、現実的なユーザシミュレーションにどのように貢献するかを分析する。 私たちのフレームワークは、これらの選択を実践的で解釈可能な基盤を提供します。
• 参考スコア（独自算出の注目度）: 7.137293485620867
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User behavior simulation is widely used to evaluate interactive information retrieval systems, but classical state-based approaches (e.g., Markov models) have limited ability to incorporate contextual information relevant for decision-making. We address this limitation by introducing a feature-conditioned Markov-style user model, in which transition probabilities are modeled as functions of positional, content-based, and interaction-derived features, enabling context-aware decision making while preserving the structural simplicity and computational efficiency of state-based models. Applying a multi-level framework that assesses predictive fit and behavioral fidelity, we analyze how different sources of contextual information contribute to realistic user simulation across multiple datasets, search settings, and feature configurations. Our results show that incorporating contextual features improves the models' ability to reproduce key aspects of real user interactions, but that their effectiveness hinges on search scenario and modeling objective. Instead of a one-size-fits-all solution, effective simulation requires task- and setting-specific feature selection. Our framework provides a practical and interpretable basis for making these choices.
• Abstract（参考訳）: ユーザ行動シミュレーションはインタラクティブな情報検索システムの評価に広く用いられているが、従来の状態ベースアプローチ(マルコフモデルなど)は意思決定に関連するコンテキスト情報を組み込む能力に制限がある。 状態ベースモデルの構造的単純さと計算効率を保ちながら, 遷移確率を位置的, コンテンツ的, 相互作用的特徴の関数としてモデル化し, 文脈認識による意思決定を可能にする特徴条件付きマルコフ型ユーザモデルを導入することで, この問題に対処する。 予測適合性と行動忠実度を評価するマルチレベルフレームワークを適用することで、さまざまなコンテキスト情報のソースが、複数のデータセット、検索設定、特徴設定をまたいだ現実的なユーザシミュレーションにどのように貢献するかを分析する。 この結果から,文脈的特徴を取り入れることで,実際のユーザインタラクションの重要な側面を再現する能力が向上するが,その有効性は検索シナリオやモデリング対象に左右されることが示唆された。 一つのサイズにフィットするソリューションの代わりに、効率的なシミュレーションにはタスクと設定固有の特徴の選択が必要である。 私たちのフレームワークは、これらの選択を実践的で解釈可能な基盤を提供します。

関連論文リスト

• Stochastic Encodings for Active Feature Acquisition [100.47043816019888]
  Active Feature Acquisitionは、インスタンスワイドでシーケンシャルな意思決定問題である。 目的は、テストインスタンスごとに独立して、現在の観測に基づいて計測する機能を動的に選択することである。 一般的なアプローチは強化学習(Reinforcement Learning)であり、トレーニングの困難を経験する。 我々は、教師付きで訓練された潜在変数モデルを導入し、潜在空間における観測不能な実現の可能性の多くにまたがる特徴を推論することで獲得する。
  論文  参考訳（メタデータ） (2025-08-03T23:48:46Z)
• Dynamic benchmarking framework for LLM-based conversational data capture [0.0]
  本稿では,大規模言語モデル(LLM)を評価するためのベンチマークフレームワークを提案する。 生成エージェントシミュレーションを統合して、情報抽出、コンテキスト認識、適応エンゲージメントといった重要次元のパフォーマンスを評価する。 その結果,不明瞭な応答を扱う場合,適応戦略によりデータの抽出精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-02-04T15:47:47Z)
• Can foundation models actively gather information in interactive environments to test hypotheses? [43.42688356541211]
  基礎モデルはシングルターン推論において優れているが、動的環境におけるマルチターン探索に苦慮している。 これらのモデルを,経験から学び,適応し,情報を収集する能力に基づいて評価した。
  論文  参考訳（メタデータ） (2024-12-09T12:27:21Z)
• Hierarchical Ensemble-Based Feature Selection for Time Series Forecasting [0.0]
  非定常性のための階層的積み重ねに基づく特徴選択のための新しいアンサンブルアプローチを導入する。 当社のアプローチでは,階層構造を用いた機能間の共依存を利用しています。 このアプローチの有効性は、合成およびよく知られた実生活データセット上で実証される。
  論文  参考訳（メタデータ） (2023-10-26T16:40:09Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Relational Local Explanations [11.679389861042]
  我々は,入力変数間の関係解析に基づく,新しいモデルに依存しない,置換に基づく特徴帰属アルゴリズムを開発した。 機械学習のモデル決定とデータについて、より広範な洞察を得ることができます。
  論文  参考訳（メタデータ） (2022-12-23T14:46:23Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)

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。