論文の概要: Joint Workflow and Prompt Optimization for User Behavior Simulation
- arxiv url: http://arxiv.org/abs/2610.07663v1
- Date: Tue, 06 Oct 2026 02:59:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.778526
- Title: Joint Workflow and Prompt Optimization for User Behavior Simulation
- Title（参考訳）: ユーザ行動シミュレーションのための統合ワークフローとプロンプト最適化
- Abstract要約: SWORDはマルチエージェントワークフローと自然言語プロンプトを共同で最適化するフレームワークである。
プロンプトオンリー、ワークフローオンリー、ステージドオプティマイゼーションベースラインよりも統計的に有意な向上を実現している。
SWORDは、ドメイン関連信号、レビューセンチメントマッピングルール、疫学的崩壊前駆体を自律的に発見する。
- 参考スコア（独自算出の注目度）: 34.28191123837712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: User behavior simulation is the computational modeling of user interactions within information systems through the use of simulated agents in place of live users. It supports system testing and evaluation, decision-making and forecasting, and user experience design. Existing simulators rely on hand-crafted rules or domain expertise that transfers poorly across tasks. SWORD (Simulation-driven Workflow and Prompt Optimization with Role-based Design) is introduced as a framework that jointly optimizes multi-agent workflow topology and natural-language prompts. It is guided solely by a scalar task metric, without domain initialization or task-specific engineering. The experimental results demonstrate that SWORD achieves statistically significant gains over prompt-only, workflow-only, and staged-optimization baselines under a controlled, identical-backbone comparison. Against the strongest published domain-specific baseline, SWORD further improves accuracy while using a smaller backbone model, substantially less training data, and a very reasonable API cost (\$4--\$6 for each dataset). Beyond predictive performance, SWORD autonomously discovers domain-relevant signals, review-sentiment mapping rules and epidemiological decay priors, purely from scalar error feedback, establishing textual gradients as a mechanism for unsupervised feature-importance discovery in user behavior modeling.
- Abstract（参考訳）: ユーザビヘイビアシミュレーション(英: User Behavior Simulation)とは、情報システム内のユーザインタラクションのシミュレーションモデルである。
システムテストと評価,意思決定と予測,ユーザエクスペリエンス設計をサポートする。
既存のシミュレーターは手作りのルールやドメインの専門知識に頼っている。
SWORD(Simulation-driven Workflow and Prompt Optimization with Role-based Design)は、マルチエージェントワークフロートポロジと自然言語プロンプトを協調的に最適化するフレームワークとして導入された。
ドメインの初期化やタスク固有のエンジニアリングなしで、スカラータスクメトリックによってガイドされる。
実験により、SWORDは、制御された同一のバックボーン比較の下で、プロンプトのみ、ワークフローのみ、ステージ最適化ベースラインよりも統計的に有意な利得が得られることが示された。
最強の公開されたドメイン固有ベースラインに対して、SWORDは、より小さなバックボーンモデルを使用しながら精度を向上し、トレーニングデータを大幅に削減し、非常に合理的なAPIコスト(データセット毎に4-\$6)を実現している。
予測性能の他に、SWORDは、ドメイン関連信号、レビューセンチメントマッピングルール、疫学的崩壊の前兆を純粋にスカラーエラーフィードバックから自律的に発見し、ユーザ行動モデリングにおける教師なし機能重要度発見のメカニズムとしてテキスト勾配を確立する。
関連論文リスト
- Beyond Action Imitation: Learning a Decision-Aware User Simulator for Online Advertising [47.726568328425394]
DASHは思考トレースを共同で生成し,異質なクロスドメイン履歴から行動行動を予測する,意思決定対応のユーザシミュレータである。
ユーザシミュレータをトレーニングするために、DASHは強力なLLMからSFTデータとして思考軌道を蒸留する。
ユーザシミュレータをトレーニングするために、DASHは、RLトレーニングのためのフォーム、コンテンツ、ロジックに沿った思考トレースを評価するルーリックベースの報酬モデルをカスタマイズする。
論文 参考訳（メタデータ） (2026-07-29T13:25:30Z) - SenseWalk: Agent-Based Semantic Trajectory Simulation Powered by Large Language Models in Zoned Environments [6.133926295796511]
$SenseWalk$は、LLMエージェントによるセマンティックトラジェクトリのシミュレートをサポートするインタラクティブシステムである。
我々は,LLMと社会力モデルを組み合わせたシミュレーションワークフローを構築し,物理的妥当性とセマンティックコヒーレンスをバランスさせる。
論文 参考訳（メタデータ） (2026-07-01T14:25:47Z) - Measuring and Mitigating the Distributional Gap Between Real and Simulated User Behaviors [61.610957638373826]
本研究では,実際のユーザ行動とシミュレーションユーザ行動の分布ギャップを計測する手法を提案する。
実会話とシミュレーション会話のデータセットが与えられた場合,本手法は各会話からユーザ行動の表現を抽出する。
ほとんどのシミュレータも同様に振る舞うが、いくつかは独立している。
論文 参考訳（メタデータ） (2026-05-08T15:09:25Z) - Personas within Parameters: Fine-Tuning Small Language Models with Low-Rank Adapters to Mimic User Behaviors [1.8352113484137629]
正確なレコメンデーションモデルを開発する上での長年の課題は、主にユーザインタラクションの複雑な性質のために、ユーザの振る舞いをシミュレートすることである。
本研究では, 凍結したLarge Language Models (LLMs) を用いてロバストなユーザ表現を抽出し, 微調整小言語モデル (SLMs) を用いたコスト効率, 資源効率のよいユーザエージェントをシミュレートする手法を提案する。
提案手法の有効性を実証し,本手法を用いて開発したユーザエージェントが,オフラインメトリクスとレコメンデータシステムの実環境性能のギャップを埋める可能性を示した。
論文 参考訳（メタデータ） (2025-08-18T22:14:57Z) - Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。
Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
論文 参考訳（メタデータ） (2025-05-26T09:46:50Z) - ReGUIDE: Data Efficient GUI Grounding via Spatial Reasoning and Search [53.40810298627443]
ReGUIDEは、MLLMが自己生成的推論と空間認識的批判を通じてデータを効率的に学習することを可能にするWebグラウンドのためのフレームワークである。
実験により、ReGUIDEは複数のベンチマークでWebグラウンド性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-05-21T08:36:18Z) - LLM-Powered User Simulator for Recommender System [29.328839982869923]
LLMを利用したユーザシミュレータを導入し、アイテムとのユーザエンゲージメントを明示的にシミュレートする。
具体的には、ユーザ嗜好の明示的なロジックを特定し、LCMを活用してアイテムの特性を分析し、ユーザ感情を抽出する。
本稿では,ユーザインタラクションシミュレーションの論理的および統計的洞察を相乗化するアンサンブルモデルを提案する。
論文 参考訳（メタデータ） (2024-12-22T12:00:04Z) - IncomeSCM: From tabular data set to time-series simulator and causal estimation benchmark [8.960138649105156]
本稿では,観測データを逐次構造因果モデルに変換するための戦略を提案する。
IncomeSCMシミュレータを構築するために、これらのアイデアをよく知られた成人所得データセットに適用する。
タスクは適切な課題を示し、効果の見積もりはメソッド間で大きく異なる。
論文 参考訳（メタデータ） (2024-05-25T05:40:16Z) - User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。
実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文 参考訳（メタデータ） (2023-06-05T02:58:35Z)
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。