論文の概要: Agentic-Priors: Using Large Language Models to Address the Cold Start Problem in Preference Elicitation

• arxiv url: http://arxiv.org/abs/2610.21938v1
• Date: Thu, 15 Oct 2026 14:14:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.121239
• Title: Agentic-Priors: Using Large Language Models to Address the Cold Start Problem in Preference Elicitation
• Title（参考訳）: エージェント・プリアーズ:大規模言語モデルを用いて優先的解法におけるコールドスタート問題に対処する
• Abstract要約: Agentic-Priorsは、非インフォーム前のコールドスタート精度を5～40ポイント向上させる。 また、3つのデータセット上で、最先端のLLMプリエミュレーション手法であるAutoElicitを上回ります。
• 参考スコア（独自算出の注目度）: 2.858111059971764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An agent that learns a user's preferences from their choices faces a cold start problem: before any choices are observed, it must rely solely on a prior. Informative priors are usually fitted to historical choice data, which new tasks and deployments lack. To address this, we present Agentic-Priors, which lets agentic systems use the implicit knowledge of large language models (LLMs) instead. Specifically, an LLM states a new user's trade-offs in interpretable terms, such as willingness to pay or value of time, which we map to a prior over multinomial logit coefficients. This prior is then refined by a Bayesian learner as choices are observed. Across seven choice datasets, Agentic-Priors improves cold start accuracy over an uninformed prior by 5-40 percentage points. It also outperforms AutoElicit, a state-of-the-art LLM prior-elicitation method, on three datasets and loses on one. It is up to 18 points more accurate than in-context learning, and never significantly worse. Against hierarchical Bayes models fitted to surveys of increasing size, our approach is worth roughly 6-40 surveyed users, in terms of log-loss, so its value is concentrated in a deployment's first users.
• Abstract（参考訳）: ユーザの好みを選択から学習するエージェントは、コールドスタートの問題に直面します。 インフォーマティブな事前データは、通常、新しいタスクやデプロイメントに欠けている過去の選択データに適合する。 エージェントシステムでは,大規模言語モデル(LLM)の暗黙的な知識を,エージェントシステムが代わりに使用することができる。 具体的には、LLMは、支払いの意思や時間の価値といった解釈可能な用語で、新しいユーザのトレードオフを記述します。 この前者は、選択が観察されるにつれてベイズ学習者によって洗練される。 7つの選択データセットに対して、Agentic-Priorsは、インフォームド前のコールドスタート精度を5～40ポイント向上させる。 また、3つのデータセットで最先端のLLMプリエンシケーションメソッドであるAutoElicitを上回り、1つで失われる。 テキスト内学習よりも最大18ポイント正確であり、それほど悪くはない。 サイズ拡大のサーベイに適合する階層型ベイズモデルに対して、当社のアプローチはログロスの観点から約6～40人のユーザを対象にしています。

関連論文リスト

• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)
• Deep Bayesian Active Learning for Preference Modeling in Large Language Models [84.817400962262]
  本稿では,BAL-PM(Bayesian Active Learner for Preference Modeling)を提案する。 BAL-PMは2つの人気のある人間の嗜好データセットにおいて、好みラベルを33%から68%少なくし、以前のベイズ買収ポリシーを超えている。 我々の実験では、BAL-PMは2つの人気のある人選好データセットにおいて33%から68%の選好ラベルを必要としており、ベイズ買収ポリシーを上回ります。
  論文  参考訳（メタデータ） (2024-06-14T13:32:43Z)
• Deep Reference Priors: What is the best way to pretrain a model? [27.705359364301458]
  本稿では,参照先行理論を用いて疑問を定式化する。 参照先は、タスクとモデルの間の相互情報を最大化する客観的で非形式的ベイズ事前である。 本稿では,中規模深層ネットワークと画像ベースデータを対象とした参照先行の実証実験について述べる。
  論文  参考訳（メタデータ） (2022-02-01T02:32:39Z)

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。