論文の概要: Learning User Representations to Improve Simulation Fidelity

• arxiv url: http://arxiv.org/abs/2610.22518v1
• Date: Thu, 15 Oct 2026 18:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.619426
• Title: Learning User Representations to Improve Simulation Fidelity
• Title（参考訳）: シミュレーション忠実度向上のためのユーザ表現の学習
• Abstract要約: 我々は,ユーザシミュレーションにおいて,ユーザ表現を過小評価されるボトルネックとして認識する。 表現の質は、シミュレーターで誘導される振る舞いを通して、後から明らかになる。 後光蒸留で訓練した表現生成器である UserRepGen-4B について述べる。
• 参考スコア（独自算出の注目度）: 46.45273549695127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: User simulators enable interactive training and evaluation of AI assistants at scale. Yet current simulators struggle to reproduce the diverse behaviors of real users, leading to assistants that generalize poorly to underrepresented users. We identify user representations as an underexplored bottleneck in user simulation. User representations are natural-language descriptions that condition simulators to reproduce a particular user's behavior. A representation's quality becomes apparent in hindsight, through the behavior it induces in a simulator. To evaluate and optimize user representations, we formulate a conversation reconstruction task: given an original conversation, we generate a representation, condition a simulator on it, simulate a conversation, and then measure fidelity by comparing user behavior in the original and simulated conversations. This comparison also yields hindsight feedback, which identifies where the representation falls short and how it can be improved. We introduce hindsight distillation, an online training procedure that distills feedback-conditioned improvements into the representation generator, enabling it to generate improved representations directly from the original conversation. We present UserRepGen-4B, a representation generator trained with hindsight distillation. Across 700 conversations spanning seven datasets, hindsight feedback helps improve user representations at test time, and UserRepGen-4B generates representations that enable more faithful simulation than those generated by GPT-5.5. Beyond conversation reconstruction, learned representations improve simulation fidelity for unseen tasks, better preserve the population-level diversity of real users, and better distinguish users across conversations.
• Abstract（参考訳）: ユーザシミュレータは、大規模なAIアシスタントのインタラクティブなトレーニングと評価を可能にする。 しかし、現在のシミュレーターは、実際のユーザの多様な振る舞いを再現するのに苦労しており、過小評価されたユーザーに対して不適切な一般化を行うアシスタントに繋がる。 我々は,ユーザシミュレーションにおいて,ユーザ表現を過小評価されるボトルネックとして認識する。 ユーザ表現は、特定のユーザの振る舞いを再現するためにシミュレータを条件付ける自然言語記述である。 表現の質は、シミュレーターで誘導される振る舞いを通して、後から明らかになる。 ユーザ表現を評価・最適化するために、元の会話が与えられたら、表現を生成し、その上にシミュレータを条件付け、会話をシミュレートし、元の会話とシミュレートされた会話のユーザ動作を比較して忠実度を測定する。 この比較はまた、後向きのフィードバックをもたらし、表現が不足している場所と、どのように改善できるかを識別する。 提案手法は, フィードバック条件による改善を表現生成器に蒸留し, 元の会話から直接, 改善された表現を生成するオンライン学習手法である。 後光蒸留で訓練した表現生成器である UserRepGen-4B について述べる。 7つのデータセットにまたがる700以上の会話の中で、隠れたフィードバックはテスト時のユーザ表現を改善するのに役立ち、UserRepGen-4BはGPT-5.5で生成されたものよりも忠実なシミュレーションを可能にする表現を生成する。 会話の再構築以外にも、学習された表現は、目に見えないタスクのシミュレーションの忠実さを改善し、実際のユーザの人口レベルの多様性を向上し、会話をまたいでユーザーを識別する。

関連論文リスト

• Training User Simulators with Latent Intrinsic Feedback [19.86049788091375]
  潜時評価状態を備えたユーザシミュレータを提案する。 本研究は,本質的なフィードバックがシミュレーションリアリズムや批判行動を改善することを実証する。 実験の結果,本質的なフィードバックを持つシミュレータは,マルチターンRLトレーニングに有効な報奨信号を提供することがわかった。
  論文  参考訳（メタデータ） (2026-10-09T14:00:36Z)
• 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)
• Metaphorical User Simulators for Evaluating Task-oriented Dialogue Systems [80.77917437785773]
  タスク指向対話システム(TDS)は、主にオフラインまたは人間による評価によって評価される。 本稿では,エンド・ツー・エンドのTDS評価のためのメタファ型ユーザシミュレータを提案する。 また,異なる機能を持つ対話システムなどの変種を生成するためのテスタベースの評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-02T05:11:03Z)

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。