論文の概要: Preference Is Not Permission: Personalizing the Auto-Purchase Line in Agentic Commerce
- arxiv url: http://arxiv.org/abs/2610.29216v1
- Date: Wed, 21 Oct 2026 05:15:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.212665
- Title: Preference Is Not Permission: Personalizing the Auto-Purchase Line in Agentic Commerce
- Title（参考訳）: エージェントコマースにおける自動購入ラインのパーソナライズ
- Abstract要約: 私たちは、個人のオート購入ラインをタスクとして学習するふりをする。
自律的なコミットメントは、人間の承認基準と間違っています。
数十のラベルの浅い学習者は、保有する自動購入ラインを0.79×30〜40のラベルで予測する。
- 参考スコア（独自算出の注目度）: 3.4091599701436213
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized shopping benchmarks ask which item fits the user; we ask how far an agent may commit on that item, and pose learning the individual's auto-purchase line as a task. The boundary is evidence-conditioned and three-valued: whether committing is appropriate depends on the sufficiency of product information (warrant), reversibility, price against the user's norm, and urgency, not only on fit; and the natural output is don't buy, confirm first, or buy automatically. Across sixteen instruction-tuned models, autonomous commitment is misaligned with a human authorization reference in which fifteen annotators, role-playing the delegating principal from a given profile, choose the furthest action they would allow without confirmation: models commit even when fit is low and when their own evidence flag reports the warrant missing. This is overreach. The line is individual: these raters disagree, yet the disagreement is structured and partly predictable from a person's own other labels. A shallow learner on a few dozen of a person's own labels predicts their held-out auto-purchase line at a median of 0.79 by 30-40 labels, outperforming every evaluated prompt$\times$model configuration, including a per-annotator oracle over 80 configurations; the learned boundary does not transfer across domains. We release the counterfactual benchmark, human authorization reference, and annotation protocol after acceptance.
- Abstract（参考訳）: パーソナライズされたショッピングベンチマークでは、どのアイテムがユーザに適したのかを問う。
コミットが適切かどうかは、製品情報(警告)、可逆性、ユーザの規範に対する価格、緊急性に依存します。
16の命令で調整されたモデル全体で、自律的なコミットメントは、人間の承認基準と誤解される。例えば、15人のアノテータが、あるプロファイルからデリゲートプリンシパルをロールプレイし、確認なしに許される最も強力なアクションを選択します。
これは行き過ぎです。
これらのラッカーは同意しないが、意見の不一致は構造化されており、ある人の他のラベルから部分的に予測可能である。
数十のラベルの浅い学習者は、中央値0.79×30-40のラベルで自動購入ラインを予測し、評価されたプロンプト$\times$model構成よりも優れ、80以上の構成でアノテーションごとのオラクルを含む、評価されたプロンプト$\times$model構成が優れており、学習境界はドメイン間で転送されない。
我々は、承認後、カウンターファクトのベンチマーク、人間認可基準、アノテーションプロトコルをリリースする。
関連論文リスト
- AgentStripes: An Evidence-Graded Maturity Model for AI Agents [0.7919969809015938]
AgentStripesはAIエージェントのエビデンスグレード成熟モデルである。
レベル(0から7のストライプ)、プロセス領域(40の能力を持つ12のエリア)、エージェントを高いスコアで保持する3つのゲート(基本、安全性、証明)、エビデンスグレード(E0からE5)を定義している。
論文 参考訳（メタデータ） (2026-10-13T15:57:28Z) - DelegationBench: Measuring When AI Agents Should Ask Before Acting [0.0]
合意スコアが信頼できるかどうかをテストするために、DelegationBenchを導入します。
4つの可能なレスポンスを持つ156のシナリオがある(実行、許可の要求、行方不明の情報の要求、拒否)。
5家族の10モデルのうち、合意のスコアは3つの点で誤解を招く。
論文 参考訳（メタデータ） (2026-10-04T20:54:35Z) - Persona Following Is Not Selective Control: The Neutrality Gap in LLM User Simulation [62.68603541512519]
大規模言語モデルにおける選択制御の体系的失敗を同定する。
ターゲット属性を変更することで、特定されていない非ターゲット属性に対する応答もシフトする。
非ターゲット属性を未特定のまま残したり、指向性や中立性を宣言する3状態診断を運用する。
論文 参考訳（メタデータ） (2026-09-28T12:34:21Z) - Persuaded, Not Informed: Incentive-Misaligned Witnesses Defeat In-Context Grounding [0.0]
より強力なモデルで対処されていない障害モードを特定します。
文脈が楽観主義へのインセンティブを持つ当事者による主張を含む場合、モデルはこの主張を証拠として扱い、明確化は会社の記録を容認できないとみなす。
論文 参考訳（メタデータ） (2026-09-23T23:52:24Z) - A Policy Profile for Croissant: Refusal as a Property of the Dataset [51.56484100374058]
Croissantは、MLデータセット:-LD over schema.org用の事実上の機械可読記述子である。
バージョン1.1以降はデータ使用条件も備えており、DUOとODRLを推奨している。
バージョンが明記されていないのは、どれかの評価方法、決定手順、評価コストの制限なし、実装が評価できない状態の結果なし、何がチェックされたかの記録なし、呼び出し側権限によるコンポジションなしである。
論文 参考訳（メタデータ） (2026-09-17T03:30:32Z) - ADeptS-Bench: Measuring the Trustworthiness of Computer Use Agents Across Devices [48.36933831982682]
我々はADEPTS機能フレームワークを基盤とした信頼性ベンチマークであるADeptS-Benchを紹介する。
Safetyストリームは、視覚インターフェースに埋め込まれた脅威を伴うペアの良心/悪意のあるタスクを提供する。
曖昧さストリームは、意図が曖昧である場合、エージェントが明確化を求めるかどうかを評価する。
論文 参考訳（メタデータ） (2026-08-25T23:21:57Z) - Confidently Wrong, Silently So: Auditing Undetectable Failures of a Deployed On-Device Language Model [0.038379177968040606]
本稿では、開発者が利用できるオンデバイス基盤モデルの再現可能な信頼性監査について述べる。
Emphtask-asymmetric miscalibration: そのガードレールはタスク間で反対方向に失敗する。
我々は,モデルに依存しない監査プロトコル,表面識別性テスト,およびデプロイされたモデルの監査のための再利用可能なインフラとして,コードと凍結した評価項目をリリースする。
論文 参考訳（メタデータ） (2026-08-24T16:55:09Z) - 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) - SpecEval: Evaluating Model Adherence to Behavior Specifications [63.13000010340958]
提供者仕様に対してモデルを監査する自動化フレームワークを導入します。
私たちの中心となる焦点は、プロバイダ仕様とモデルアウトプット、および審査員としての自身のモデルの間の3つの方法の整合性にあります。
当社のフレームワークは、100以上の行動ステートメントにわたる6人の開発者から16のモデルに適用し、プロバイダ間で最大20%のコンプライアンスギャップを含む、体系的な不整合を見つけました。
論文 参考訳（メタデータ） (2025-09-02T16:18:40Z)
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。