論文の概要: From Pareto to Preference: Personalized Test-Time Scaling via Amortized Agentic Policy Discovery
- arxiv url: http://arxiv.org/abs/2610.09684v1
- Date: Wed, 07 Oct 2026 08:46:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.811307
- Title: From Pareto to Preference: Personalized Test-Time Scaling via Amortized Agentic Policy Discovery
- Title（参考訳）: ParetoからPreferenceへ:Amortized Agentic Policy Discoveryによるパーソナライズされたテスト時間スケーリング
- Abstract要約: テストタイムスケーリング(TTS)は、さらなる計算推論を割り当てることで、大規模言語モデルの推論能力を改善する。
本稿では,要求整合型コントローラとソース希釈手続きガイダンスを用いて,事前検索体験を再利用するアモータイズされたエージェントポリシー発見フレームワークであるPersonTTSを提案する。
AIME と HMMT の実験により,PersonTTS は未確認ユーザプロファイルとホールドアウト問題に対して,共同要求満足度において強い TTS ベースラインを著しく上回ることを示した。
- 参考スコア（独自算出の注目度）: 33.579468017410754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Test-time scaling (TTS) improves the reasoning capabilities of large language models by allocating additional inference computation. Existing approaches to improving TTS efficiency largely optimize accuracy against one resource dimension at a time, advancing either the accuracy--cost or accuracy--latency Pareto frontier. Yet user requirements are multidimensional: users may specify accuracy, latency, and inference-cost requirements jointly, and different requirements can favor different controllers. We formulate Personalized Test-Time Scaling as discovering executable controllers that maximize the joint satisfaction rate of user-specific requirements. To reduce the overhead of repeated policy discovery for new user profiles, we propose PersonTTS, an amortized agentic policy-discovery framework that reuses prior search experience through requirement-matched controller initialization and source-distilled procedural guidance, while retaining target-profile evaluation for every candidate. Experiments on AIME and HMMT show that PersonTTS substantially outperforms strong TTS baselines in joint requirement satisfaction on unseen user profiles and held-out problems. Under the same candidate-evaluation budget, cross-user experience reuse further improves policy quality while substantially reducing discovery-agent time and cost.
- Abstract（参考訳）: テストタイムスケーリング(TTS)は、追加の推論計算を割り当てることで、大規模言語モデルの推論能力を改善する。
TTS効率を改善するための既存のアプローチは、1つのリソース次元に対する精度を大幅に最適化し、精度-コスト-コストまたは精度-レイテンシ-パレートフロンティアを前進させる。
ユーザーは正確性、レイテンシ、推論コストの要求を共同で指定でき、異なる要求は異なるコントローラを好む。
ユーザ固有の要件の一致満足度を最大化する実行可能なコントローラの発見として、パーソナライズされたテスト時間スケーリングを定式化する。
新たなユーザプロファイルに対するポリシー発見の繰り返しのオーバーヘッドを軽減するため,各候補に対する目標評価を維持しつつ,要求適合型コントローラの初期化とソース希釈による事前検索体験を再利用する,暗黙のエージェントポリシー発見フレームワークであるPersonTTSを提案する。
AIME と HMMT の実験により,PersonTTS は未確認ユーザプロファイルとホールドアウト問題に対して,共同要求満足度において強い TTS ベースラインを著しく上回ることを示した。
同じ候補評価予算の下では、クロスユーザー体験の再利用は、発見エージェントの時間とコストを大幅に削減しつつ、ポリシーの質をさらに向上させる。
関連論文リスト
- Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。
既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。
本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
論文 参考訳（メタデータ） (2026-07-31T03:52:20Z) - REAR: Test-time Preference Realignment through Reward Decomposition [68.09214603569744]
本稿では,タスクを階層化問題としてモデル化する新しいフレームワークを提案する。
これら2つの報酬項の比率を選択的に再スケールするREAR(Realignment Reward)を導出する。
我々は,REARをトークンレベルのポリシログ確率の線形結合として定式化することができ,様々なTSアルゴリズムと容易に統合できることを示す。
論文 参考訳（メタデータ） (2026-06-29T14:17:53Z) - Talos: Optimizing Top-$K$ Accuracy in Recommender Systems [14.229918568280729]
本稿では,Talosレコメンデーションの精度を最適化するために特別に設計された損失関数であるTalosを提案する。
我々は,効率的なしきい値推定のためのサンプリングベース回帰アルゴリズムを開発した。
我々は不連続性に対処し、分布シフトに対する堅牢性を高めるために、調整された代理関数を組み込んだ。
論文 参考訳（メタデータ） (2026-01-27T07:04:09Z) - e1: Learning Adaptive Control of Reasoning Effort [88.51897900019485]
AIモデルの思考予算の増大は、精度を大幅に向上させるが、すべての質問が同じ量の推論を保証しているわけではない。
ユーザは、アウトプットの品質を、レイテンシやコストに対してどのように評価するかによって、さまざまな理由付けの労力を割り当てる傾向があります。
本稿では,ユーザが指定したトークン数を用いてモデルを学習する自己適応型強化学習手法であるAdaptive Effort Controlを提案する。
論文 参考訳（メタデータ） (2025-10-30T23:12:21Z) - Pathways of Thoughts: Multi-Directional Thinking for Long-form Personalized Question Answering [57.12316804290369]
ユーザ固有の情報ニーズに質問応答システムを適用するためには,パーソナライゼーションが不可欠である。
本稿では,タスク固有の微調整を必要とせず,任意の大規模言語モデル (LLM) に適用可能な推論段階の方法として,思考の経路 (PoT) を提案する。
PoTは競争ベースラインを一貫して上回り、13.1%の相対的な改善を達成している。
論文 参考訳（メタデータ） (2025-09-23T14:44:46Z) - Churn-Aware Recommendation Planning under Aggregated Preference Feedback [6.261444979025644]
本稿では,近年の規制と技術の変化を動機とした逐次的意思決定問題について考察する。
我々はRec-APCモデルを導入し、匿名ユーザを既知の先行ユーザ型から抽出する。
最適ポリシが有限時間で純粋な利用に収束することを証明し、それらを効率的に計算するための分岐とバウンドのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-07-06T19:22:47Z) - Temporal fine-tuning for early risk detection [3.8486074790756506]
Web上の早期リスク検出(ERD)は、社会的および健康的な問題に直面しているユーザを素早く特定することを目的としている。
標準的な分類基準は十分ではなく、正確さと遅延を明示的に考慮する特定の指標に頼っている。
本稿では,時間を明示的に組み込むことで,トランスフォーマーモデルに基づくチューニングを可能にする,時間的微調整という,まったく異なる戦略を提案する。
論文 参考訳（メタデータ） (2025-05-16T14:17:03Z) - Fast or Better? Balancing Accuracy and Cost in Retrieval-Augmented Generation with Flexible User Control [52.405085773954596]
Retrieval-Augmented Generationは、大規模な言語モデル幻覚を緩和するための強力なアプローチとして登場した。
既存のRAGフレームワークは、しばしば無差別に検索を適用し、非効率な再検索につながる。
本稿では,精度・コストのトレードオフを動的に調整できる新しいユーザ制御可能なRAGフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:56:20Z)
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。