論文の概要: Evidence-Grounded SLM Behavioral Prediction Architecture for Future Assistance Use
- arxiv url: http://arxiv.org/abs/2610.32193v1
- Date: Fri, 23 Oct 2026 05:39:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.398576
- Title: Evidence-Grounded SLM Behavioral Prediction Architecture for Future Assistance Use
- Title（参考訳）: Evidence-Grounded SLM Behavioral Prediction Architecture for Future Assistance Use
- Abstract要約: 小言語モデル(SLM)は、有望な代替手段を提供するが、低レベルなシーケンシャルな相互作用イベントに対して確実に推論できる能力は、まだ探索されていない。
本研究では,決定論的相互作用処理,デュアルビュー動作表現,SLMに基づく予測,棄却による証拠検証を組み合わせた4層アーキテクチャであるELBP(Evidence-Grounded Local Behavioral Prediction)を紹介する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Users often exhibit changes in interaction behavior before explicitly seeking assistance, enabling systems to anticipate future assistance use. This is especially important in high-stakes environments, where delayed assistance can have operational, financial, or safety consequences. However, conventional Large Language Models (LLMs) are often unsuitable for continuous on-device behavioral prediction because of their computational and memory demands. Behavioral patterns are also highly individual and device-specific, motivating local processing that preserves privacy and data sovereignty. Small Language Models (SLMs) offer a promising alternative, but their ability to reason reliably over low-level sequential interaction events remains underexplored. This study introduces Evidence-Grounded Local Behavioral Prediction (ELBP), a four-layer architecture combining deterministic interaction processing, dual-view behavioral representation, SLM-based prediction, and evidence verification with abstention. Three instruction-tuned models of 3B parameters or fewer were evaluated using raw, structured, dual-view, and complete ELBP configurations. The best-performing model, Qwen2.5-3B with ELBP, achieved a full-set F1-score of 0.80 and PR-AUC of 0.84, representing a 15.9\% relative improvement over raw-event prompting and 17.6\% over XGBoost, while full-set ECE decreased by 43.2\% relative to raw-event prompting. With evidence verification and abstention, selective F1 increased to 0.84 at 91\% coverage and evidence support reached 96\%. These results show that structured behavioral representation and evidence-verified selective prediction can improve the reliability of behavioral forecasting in SLMs.
- Abstract（参考訳）: ユーザーはしばしば、支援を明示的に求める前に対話行動の変化を示し、システムは将来の援助の使用を予測できる。
これは特に、遅延した支援が運用、財務、安全に影響を及ぼすような、ハイテイクな環境において重要である。
しかし、従来のLarge Language Models (LLM) は、計算やメモリ要求のため、デバイス上での動作予測には適さないことが多い。
行動パターンは、プライバシとデータの主権を保持するローカル処理を動機とする、非常に個別的でデバイス固有のものでもある。
小言語モデル(SLM)は、有望な代替手段を提供するが、低レベルなシーケンシャルな相互作用イベントに対して確実に推論できる能力は、まだ探索されていない。
本研究では,決定論的相互作用処理,デュアルビュー動作表現,SLMに基づく予測,棄却による証拠検証を組み合わせた4層アーキテクチャであるELBP(Evidence-Grounded Local Behavioral Prediction)を紹介する。
3Bパラメータ以下の3つの命令調整モデルについて, 生, 構造化, デュアルビュー, 完全なELBP構成を用いて評価した。
ELBPを用いたQwen2.5-3BはフルセットのF1スコアが0.80、PR-AUCが0.84、XGBoostよりも15.9\%、XGBoostより17.6\%、フルセットのECEが43.2\%低下した。
証拠の検証と棄却により、選択的 F1 は 91 % の範囲で 0.84 まで増加し、証拠支持率は 96 % に達した。
これらの結果は、構造化された行動表現とエビデンス検証された選択予測が、SLMにおける行動予測の信頼性を向上させることを示唆している。
関連論文リスト
- CivWorldBench: Evaluating Language World Models in Structured Multi-Agent Sandbox Worlds [54.553784788457484]
マルチエージェント戦略ゲームエンジン上に構築されたベンチマークであるCivWorldBenchを紹介する。
475の世界の1,900の意思決定ポイントは、関連予測、信念推論、介入予測という3つのタスクレベルをサポートする。
複合ベンチマークスコアは、一致したモデルパネル上の現実の予測リーダーボードと相関する。
論文 参考訳（メタデータ） (2026-10-12T09:16:29Z) - RSI-Anything: Unlocking Recursive Self-Improvement with World Models [76.79361510862277]
RSI-AnythingはJEPA-Anything上に構築されたドメイン・ジェネラル・フレームワークである。
予測ワールドモデルを使用して、アクションと学習データの選択をガイドする。
コード修復では、コーダーが固定され、静的検証器で成功率は26.3%から予測選択により29.2%に増加する。
論文 参考訳（メタデータ） (2026-10-09T17:50:30Z) - TimeLitmus: A Diagnostic Benchmark for Cross-Modal Understanding and Explanation Faithfulness in Event-Conditioned Time-Series Prediction [48.104261148149654]
TimeLitmusは、イベント条件付き時系列予測における相互理解と忠実さの説明のための診断ベンチマークである。
TimeLitmusには財務と交通の計4,856件の評価記録がある。
論文 参考訳（メタデータ） (2026-09-21T14:38:49Z) - PredVLA: Predictive Sensorimotor Modeling for Sub-Million-Parameter Robot Manipulation [4.55011976634859]
PredVLAは、トレーニング可能なネットワークパラメータがわずか0.68万で、ロボットデータの事前学習がない言語条件の予測符号化ポリシーである。
階層的なリカレントダイナミクスは視覚的特徴と固有受容を予測し、観察は予測エラー駆動オンライン推論によってのみ潜在状態に影響を与える。
論文 参考訳（メタデータ） (2026-08-27T06:27:11Z) - A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification [0.9449650062296823]
本研究では,転がり挙動ウィンドウを用いた顧客行動のモデル化を行う,時間的に明示的なチャーン予測フレームワークを提案する。
このフレームワークは、機能ベースとシーケンスベースの学習アプローチを統合時間設計に統合する。
実験結果から, 精度は87.6%, ROC-AUCは0.94に向上した。
論文 参考訳（メタデータ） (2026-06-04T23:38:43Z) - SL-BiLEM: Structured Learnable Behavior-in-the-Loop Epidemic Modeling for Forecasting and Policy Evaluation [42.644852156101685]
エピデミック予測は、人間の行動が病気の拡散に動的に反応する、という根本的な課題に直面している。
頑健な外挿のための正則化として物理的制約を利用するtextbfSL-BiLEM(Structured Learnable Behavior-in-the-Loop Epidemic Model)を提案する。
論文 参考訳（メタデータ） (2026-05-26T08:46:04Z) - TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models [76.92890872338235]
大規模事前学習型ビジョンランゲージモデル(VLM)は、強いゼロショット一般化を示すが、知覚不能な逆方向の摂動に対して非常に脆弱である。
ダウンストリームタスク固有のリトレーニングを必要とせずに堅牢性を高めるため,新しいテストタイムディフェンスであるTAMEを提案する。
論文 参考訳（メタデータ） (2026-05-17T18:07:08Z) - Reinforcement Inference: Leveraging Uncertainty for Self-Correcting Language Model Reasoning [0.0]
強化推論(Reinforcement Inference)は、モデル自身の不確実性を使用して、第二の、より意図的な推論の試みを選択的に呼び出す。
12,032のMMLU-Pro質問では、DeepSeek-v3.2を使ってゼロショット設定で決定論的デコーディングを行い、Reinforcement Inferenceは精度を60.72%から84.03%に改善した。
論文 参考訳（メタデータ） (2026-02-09T11:08:24Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Token-Level Inference-Time Alignment for Vision-Language Models [58.41370989069588]
VLM(Vision-Language Models)は、現代のマルチモーダルインテリジェンスの重要なバックボーンとなっている。
本稿では,基本VLMを凍結し,その分布を近似する報酬モデルをトレーニングする軽量フレームワークTITAを提案する。
推測中、暗黙の選好信号は報酬モデルと目標VLMの対数確率比として抽出され、密集した自己回帰フィードバックが得られる。
論文 参考訳（メタデータ） (2025-10-20T09:58:03Z)
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。