論文の概要: On Open-Ended Information Seeking for Information Elicitation Agents

• arxiv url: http://arxiv.org/abs/2610.07509v1
• Date: Mon, 05 Oct 2026 23:20:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.704598
• Title: On Open-Ended Information Seeking for Information Elicitation Agents
• Title（参考訳）: 情報伝達エージェントのためのオープンエンディング情報検索について
• Abstract要約: 情報引き込み(Information Elicitation)は、対話が多くの潜在的に価値のある方向に展開できるオープンエンドな問題である。 本研究では,LLM間で情報価値の判断がどう異なるか,それらの違いが逐次情報探索をいかに形作るかを検討する。 我々は、異なるモデルが同じ情報空間に遭遇し、同じ選択規則を使用する制御型エリケーションシミュレーションを開発する。
• 参考スコア（独自算出の注目度）: 3.909651701500542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Information elicitation is an open-ended information-seeking problem in which an interaction can unfold in many potentially valuable directions, requiring an elicitor to continually determine which information to pursue as new information emerges. In agentic elicitation, these decisions may be delegated to a foundation model, yet how model choice shapes the resulting information-seeking behavior remains understudied. We study how judgments about information value vary across LLMs and how these differences shape sequential information seeking. We first examine these judgments across 11 LLMs spanning multiple model families and parameter scales, using a shared set of information and elicitation objectives. We then develop a controlled elicitation simulation in which different models encounter the same information space and use the same selection rule, isolating these judgments from question generation and respondent behavior. Using this setting, we characterize the breadth-depth behavior that emerges from model-specific information-seeking preferences over the course of elicitation. We further examine how interaction history changes the evaluation and subsequent selection of prospective information. We test the robustness and boundaries of these findings through sensitivity analyses and ablations over the opportunities available to the elicitor, the response labels used to operationalize information-seeking preferences, the presence of interaction history, and whether redundancy is explicitly relevant to the assessment. The project code, data, and trajectory files are available at https://github.com/infosenselab/open-elicitation.
• Abstract（参考訳）: 情報引き込み(英語: Information elicitation)は、対話が多くの潜在的に価値のある方向に展開できるオープンエンドの情報検索問題であり、新しい情報が出現するにつれて、どの情報を追求するかを常に決定する必要がある。 エージェントによる推論では、これらの決定は基礎モデルに委譲されるが、モデル選択が結果として得られる情報探索の振る舞いをどのように形作るかはまだ検討されていない。 本研究では,LLM間で情報価値の判断がどう異なるか,それらの違いが逐次情報探索をいかに形作るかを検討する。 まず、複数のモデルファミリとパラメータスケールにまたがる11のLLMに対して、情報共有と帰納目的を用いて、これらの判断を検証した。 次に、異なるモデルが同じ情報空間に遭遇し、同じ選択規則を用いて、これらの判断を質問生成と応答行動から分離する、制御されたエレクテーションシミュレーションを開発する。 この設定を用いて、モデル固有の情報探索の嗜好から生じる幅の幅の幅を特徴付ける。 さらに,インタラクション履歴が予測情報の評価とその後の選択をどのように変えるかを検討する。 筆者らは,情報検索の嗜好,インタラクション履歴の存在,冗長性が評価に明確に関係しているかどうかを,ライセンス業者が利用できる機会に関する感度分析と改善を通じて,これらの知見の頑健さと境界を検証した。 プロジェクトコード、データ、トラジェクトリファイルはhttps://github.com/infosenselab/open-elicitation.comで入手できる。

関連論文リスト

• Rewriting History: A Recipe for Interventional Analyses to Study Data Effects on Model Behavior [58.58249548116766]
  本稿では,学習データと言語モデル(LM)行動の関係を実験的に研究する。 データバッチをインターベンションし、そのデータ上でモデルチェックポイントを再トレーニングして、データと振る舞いに関する仮説をテストするための手順を概説する。
  論文  参考訳（メタデータ） (2025-10-16T03:22:48Z)
• Detecting (Un)answerability in Large Language Models with Linear Directions [28.195817689912705]
  大きな言語モデル(LLM)は、必要な情報がなくても、しばしば疑問に対して自信を持って反応し、幻覚的な答えをもたらす。 抽出質問応答(QA)に着目した解答可能性検出の問題点について検討する。 本稿では,モデルのアクティベーション空間の方向を特定するための簡単な手法を提案する。
  論文  参考訳（メタデータ） (2025-09-26T15:04:32Z)
• InfoDeepSeek: Benchmarking Agentic Information Seeking for Retrieval-Augmented Generation [63.55258191625131]
  InfoDeepSeekは、現実世界の動的Web環境でエージェント情報を求めるための新しいベンチマークである。 本稿では,決定性,難易度,多様性の基準を満たす課題クエリを構築するための体系的手法を提案する。 本研究では,情報探索結果の正確性,有用性,コンパクト性に関する詳細な指標を含む,動的エージェント情報探索に適した最初の評価フレームワークを開発する。
  論文  参考訳（メタデータ） (2025-05-21T14:44:40Z)
• Extracting Training Data from Document-Based VQA Models [67.1470112451617]
  VLM(Vision-Language Models)は、文書ベースの視覚質問回答において顕著な進歩を遂げている(つまり、画像として提供される入力文書の内容に関する問い合わせに応答する)。 これらのモデルでは、関連する視覚情報が削除された場合でも、トレーニングサンプルに対する応答を記憶し、それらをリグルジタイズすることができる。 これには、トレーニングセットで繰り返し繰り返されるパーソナライズ可能な情報が含まれており、これらのモデルが機密情報を漏らし、したがってプライバシーリスクを引き起こす可能性があることを示している。
  論文  参考訳（メタデータ） (2024-07-11T17:44:41Z)
• Trustworthy Representation Learning via Information Funnels and Bottlenecks [6.750492479021436]
  副次情報付き条件付きプライバシ・ファンネル(CPFSI)について紹介する。 CPFSIは、完全に制御された設定と半教師付き設定の両方に適用できる。 CPFSIは競合する目標のバランスを効果的に保ち、既存のアプローチよりも頻繁に優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-02T19:37:55Z)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)

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。