論文の概要: Knowing the User Is Not Knowing What We Established: Grounding Awareness in Personal Agents
- arxiv url: http://arxiv.org/abs/2610.18684v1
- Date: Tue, 13 Oct 2026 16:39:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.684501
- Title: Knowing the User Is Not Knowing What We Established: Grounding Awareness in Personal Agents
- Title（参考訳）: ユーザーが何を構築したのかを知らないこと:個人エージェントの認識を根拠に
- Abstract要約: 我々は,行動選択時に,承認された,承認されていない,修正された,スコープ化されたアレンジメントを識別する機能であるグラウンドング・アウェアネスを紹介する。
エージェントがユーザーが受け入れた提案と受け入れていない提案の違いを判断できるかどうかをベンチマークで検証する。
私たちは、グラウンディングステータスを明示的に追跡し、連続的なアクションをチェックする、軽量でトレーニング不要な拡張であるGrounding Layerを紹介します。
- 参考スコア（独自算出の注目度）: 25.63189557559896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Personal-agent memory has largely focused on learning what users know, prefer, and want. However, knowing the user does not necessarily mean knowing what the user and the agent have established together. An assistant's proposal should not become an authorized instruction merely because it is remembered. We introduce Grounding Awareness, the ability to distinguish accepted, unacknowledged, revised, and scoped arrangements when selecting actions. We develop a controlled benchmark to test whether agents can tell the difference between proposals users have accepted and those they have not, and whether they apply accepted arrangements only where appropriate. Across multiple agents and memory systems, we find that strong memory performance does not ensure Grounding Awareness. More surprisingly, providing more complete user information can increase execution of unacknowledged proposals, while persistent memory can cause agents to treat these proposals as if they were user instructions. We trace these failures through memory writing, retrieval, and action selection. Finally, we introduce Grounding Layer, a lightweight, training-free extension that explicitly tracks grounding status and checks consequential actions, substantially improving agent behavior without modifying models or memory systems.
- Abstract（参考訳）: パーソナルエージェントメモリは、ユーザが何を知り、好んで、欲しがっているかを学ぶことに集中している。
しかし、ユーザを知ることは必ずしも、ユーザとエージェントが一体になったものを知るという意味ではない。
アシスタントの提案は、単に記憶されているからといって、認可された命令になるべきではない。
我々は,行動選択時に,承認された,承認されていない,修正された,スコープ化されたアレンジメントを識別する機能であるグラウンドング・アウェアネスを紹介する。
エージェントがユーザーが受け入れた提案と受け入れていない提案との違いを判断できるかどうか、そして適切な場合にのみ承認されたアレンジを適用できるかどうかを検証するための制御されたベンチマークを開発する。
複数のエージェントやメモリシステムにまたがって、強いメモリ性能はグラウンディング・アウェアネスを保証しない。
さらに驚くべきことに、より完全なユーザ情報を提供することで、承認されていない提案の実行が増加し、永続的なメモリによってエージェントがこれらの提案をユーザ命令のように扱うことができる。
これらの障害を、メモリ書き込み、検索、アクション選択を通じて追跡する。
最後に、グラウンディングステータスを明示的に追跡し、連続的なアクションをチェックし、モデルやメモリシステムを変更することなくエージェントの振る舞いを大幅に改善する、軽量でトレーニング不要な拡張であるGrounding Layerを紹介します。
関連論文リスト
- Agents Are Systems, Not Models: Rethinking Agentic Evaluation [80.87068485535677]
エージェントの構成の5つの部分(タスク情報、推論、自己検証、時間予算、バックボーンモデル)について検討する。
結果の約54%は、変更ではなく、同じ構成を繰り返すことによるものです。
ベンチマークと18,000以上のエージェントトラジェクトリをリリースする。
論文 参考訳（メタデータ） (2026-10-01T12:55:07Z) - Where the Evidence Lives: Auditing AI Companions' Self-Descriptions [0.0]
本研究では,エージェントの自己記述をユーザの判断と実装記録に対して設定する監査手順を実証する。
記憶保持エージェントは、自己記述が確立できないことを報告すべきである。
論文 参考訳（メタデータ） (2026-09-30T01:37:59Z) - Know It, Act on It: Investigating Memory Utilization in LLM Personalization [12.448786190019254]
大規模言語モデル(LLM)が,コンテキストに完全に存在する場合でも,関連するユーザの嗜好に反応しないことを示す。
我々は、同じユーザの好みに合わせて、ペア化されたノウテストとアクトテストを管理する分離された評価パラダイムを導入する。
我々は16のシステムと5つのメモリアーキテクチャにわたる大規模な実験を行い、1000の好みを3レベルの表現強度で評価した。
論文 参考訳（メタデータ） (2026-07-31T13:57:21Z) - Beyond expert users: agents should help users construct preferences, not just elicit them [31.382826707274685]
エージェントダイアログアクションに基づいた好み構築モデルであるCoPrefを紹介する。
CoShopでは、エージェントがCoPrefユーザと会話し、推奨する。
相互作用が5回あるにもかかわらず、CoShopの精度が56%を超えるエージェントは存在しない。
論文 参考訳（メタデータ） (2026-06-29T19:50:16Z) - MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。
我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。
私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
論文 参考訳（メタデータ） (2026-06-23T13:52:46Z) - KnowU-Bench: Towards Interactive, Proactive, and Personalized Mobile Agent Evaluation [72.01173512175531]
KnowU-Benchはパーソナライズされたモバイルエージェントのためのオンラインベンチマークである。
42のGUIタスク、86のパーソナライズされたタスク、64のプロアクティブタスクをカバーしている。
明示的なタスク実行に優れるエージェントは、あいまいな指示の下で50%以下に低下する。
論文 参考訳（メタデータ） (2026-04-09T16:50:50Z) - Do Phone-Use Agents Respect Your Privacy? [97.81424230136075]
我々は,モバイルエージェントのプライバシ行動を評価するための検証可能なフレームワークであるMyPhoneBenchを紹介する。
プライバシを無視する電話を、最小限のプライバシ契約によって許可されたアクセス、最小限の開示、およびユーザ制御メモリとして運用する。
10のモバイルアプリと300のタスクで5つのフロンティアモデルにまたがって、タスクの成功、プライバシに準拠したタスク補完、保存された好みの後での利用が、それぞれ異なる機能であることに気付きました。
論文 参考訳（メタデータ） (2026-04-01T14:50:50Z) - Me-Agent: A Personalized Mobile Agent with Two-Level User Habit Learning for Enhanced Interaction [20.029487905328004]
学習可能で記憶に残るパーソナライズされたモバイルエージェントであるMe-Agentを提案する。
Me-Agentには2段階のユーザ習慣学習アプローチが組み込まれている。
Me-Agentは、競争力のある命令実行性能を維持しながら、パーソナライズにおける最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-01-28T01:44:19Z) - PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。
パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。
テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
論文 参考訳（メタデータ） (2025-06-06T17:29:49Z) - On Generative Agents in Recommendation [58.42840923200071]
Agent4Recは、Large Language Modelsに基づいたレコメンデーションのユーザーシミュレータである。
各エージェントは、ページ単位でパーソナライズされた推奨モデルと対話する。
論文 参考訳（メタデータ） (2023-10-16T06:41:16Z)
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。