論文の概要: Same Verdict, Different Readers: Personalizing Fact-Checking Explanations from Relative Preferences

• arxiv url: http://arxiv.org/abs/2610.37380v1
• Date: Tue, 27 Oct 2026 15:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.670645
• Title: Same Verdict, Different Readers: Personalizing Fact-Checking Explanations from Relative Preferences
• Title（参考訳）: 同じ評定, 異なる読者: 相対的選好からFact-Checkingの説明をパーソナライズする
• Abstract要約: 忠実な個人化 Fact-Checking Explanation Rewriting を定式化する。 LLMシミュレーション読者の相対的嗜好からパーソナライズされた書き直しを学習する。 PerPLはパーソナライズされた嗜好アライメントにおいて、はるかに大きな汎用LLMよりも優れています。
• 参考スコア（独自算出の注目度）: 40.28293368840477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fact-checking explanations help Web users understand why a claim receives its verdict, yet the same explanation may not satisfy readers with different backgrounds and preferences. We formulate Faithful Personalized Fact-Checking Explanation Rewriting, which adapts an existing explanation to individual readers while preserving factual fidelity. Rather than relying on reader-written reference explanations, we learn personalized rewriting from the relative preferences of LLM-simulated readers. However, this presents two challenges: distinguishing persona-specific preferences from general explanation quality and learning beyond a limited set of predefined explanation styles. To address these challenges, we propose Personalized Explanation Rewriting via Preference Learning (PERPL), a framework consisting of two components. Simulated Preference Construction derives persona-specific supervision from simulated reader preferences through cross-persona reciprocal pairing. Progressive Preference Learning first trains a lightweight rewriter on the constructed supervision and then refines it through exploration-guided preference optimization, enabling it to discover preferred explanations beyond the predefined styles. Extensive experiments demonstrate that PERPL outperforms much larger general-purpose LLMs in personalized preference alignment while maintaining high factual fidelity.
• Abstract（参考訳）: ファクトチェックの説明は、クレームがその判決を受けた理由を理解するのに役立つが、同じ説明は、異なる背景や好みを持つ読者を満足させるものではないかもしれない。 事実の忠実さを保ちながら、既存の説明を個々の読者に適応させるFithful Personalized Fact-Checking Explanation Rewritingを定式化する。 読み手による参照説明に頼るのではなく、LLMシミュレーション読者の相対的嗜好からパーソナライズされた書き直しを学習する。 しかし、これは、ペルソナ固有の好みを一般的な説明品質と区別することと、事前定義された説明スタイルの限られたセットを超えて学習することの2つの課題を提示する。 これらの課題に対処するために,2つのコンポーネントからなるフレームワークであるPersonalized Explanation Rewriting via Preference Learning (PERPL)を提案する。 シミュレートされた選好構成は、対人相互ペアリングを通じて、シミュレートされた読者選好からペルソナ固有の監督を導出する。 プログレッシブ・プライオリエンス・ラーニング (Progressive Preference Learning) はまず、構築された監督下で軽量なリライターを訓練し、探索誘導された選好最適化を通じてそれを洗練し、事前に定義されたスタイルを超えて、望ましい説明を見つけることを可能にする。 包括的実験により、PERPLは、高事実忠実性を維持しつつ、パーソナライズされた嗜好アライメントにおいて、はるかに大きな汎用LLMよりも優れた性能を示すことが示された。

関連論文リスト

• Preference-Aware Rubric Learning for Personalized Evaluation [59.539429430690156]
  既存の評価手法では、長期的なインタラクション履歴に埋め込まれたユーザ固有の嗜好をキャプチャできない。 静的判断よりも学習問題としてパーソナライズされた評価を定式化するパラダイムであるパーソナライズド・アズ・ラーニングを提案する。 実験により、PARLはユーザ対応の応答を確実に識別し、ユーザ間で一般化する高忠実なルーブリックを一貫して誘導することが示された。
  論文  参考訳（メタデータ） (2026-05-29T17:00:55Z)
• DUET: Joint Exploration of User Item Profiles in Recommendation System [64.09357667290634]
  本稿では,ユーザやアイテムに対して効果的なテキストプロファイルを構築する方法について検討する。 最大の難点は、最高のプロファイルフォーマットがプリオリを知らないことである。 ユーザ履歴とアイテムエビデンスの両方で条件付きユーザプロファイルとアイテムプロファイルを共同で生成するインタラクション対応プロファイル生成器であるDuetを提案する。
  論文  参考訳（メタデータ） (2026-04-15T12:37:40Z)
• Towards Realistic Personalization: Evaluating Long-Horizon Preference Following in Personalized User-LLM Interactions [50.70965714314064]
  大規模言語モデル(LLM)は、ユーザが拡張されたインタラクションよりも複雑で多様な好みを共有するパーソナルアシスタントとして、ますます機能している。 この研究は、パーソナライズされたユーザ-LLMインタラクションにおいて、リアルな嗜好フォローを評価するためのベンチマークであるRealPrefを提案する。
  論文  参考訳（メタデータ） (2026-03-04T15:42:43Z)
• Beyond Factual Correctness: Mitigating Preference-Inconsistent Explanations in Explainable Recommendation [2.379349092029744]
  LLMベースの説明可能なレコメンデータは、実際に正しい説明を作成できるが、ユーザの過去の好みと矛盾する属性を使ってアイテムを正当化することができる。 我々は、この障害モードを形式化し、選択列生成パラダイムに従う優先認識推論フレームワークPUREを提案する。 PUREはマルチホップアイテム中心の推論パスのコンパクトなセットを選択し、ユーザの嗜好構造と整合し、ユーザ意図、特異性、多様性によってガイドされ、汎用的で弱いパーソナライズされた証拠を抑える。
  論文  参考訳（メタデータ） (2026-03-03T15:24:51Z)
• A Reason-then-Describe Instruction Interpreter for Controllable Video Generation [88.95178842901095]
  本稿では,生の命令をダウンストリームビデオジェネレータの正確な動作可能な仕様に変換する汎用型モデル非依存インタプリタReaDeを提案する。 命令忠実度,キャプション精度,下流映像品質が一貫した向上を示した。
  論文  参考訳（メタデータ） (2025-11-25T17:59:07Z)
• FIRE: Faithful Interpretable Recommendation Explanations [2.6499018693213316]
  推薦システムにおける自然言語の説明は、しばしばレビュー生成タスクとしてフレーム化される。 FireはSHAPベースの特徴属性と構造化されたプロンプト駆動言語生成を組み合わせた軽量で解釈可能なフレームワークである。 この結果から,FIREは競争推奨精度を達成するだけでなく,アライメント,構造,忠実度といった重要な次元に沿った説明品質を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-08-07T10:11:02Z)
• Aligning LLMs by Predicting Preferences from User Writing Samples [2.357769830358414]
  本稿では,ユーザ記述サンプルから推定される好み記述の精度を高める手法であるPROSEを紹介する。 ProSEはより正確に人間の嗜好を推測し,CIPHERよりも33%向上した。
  論文  参考訳（メタデータ） (2025-05-27T20:20:20Z)
• Measuring What Makes You Unique: Difference-Aware User Modeling for Enhancing LLM Personalization [68.79814761867314]
  本稿では,Large Language Models (LLM) のパーソナライゼーションを強化するために,差分認識パーソナライズ学習(DPL)を提案する。 DPLは、戦略的に代表ユーザを比較のために選択し、タスク関連の違いを抽出するための構造化標準を確立する。 実世界のデータセットの実験により、DPLはLLMのパーソナライゼーションを大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2025-03-04T09:53:26Z)
• Aligning LLM Agents by Learning Latent Preference from User Edits [23.235995078727658]
  本研究では,エージェントの出力に対するユーザ編集に基づいて,言語エージェントの対話的学習について検討する。 本稿では,履歴編集データに基づいてユーザの潜伏傾向を推定する学習フレームワーク PreLUDE を提案する。 本稿では,要約とメール作成という2つの対話型環境を導入し,GPT-4シミュレーションユーザを用いて評価を行う。
  論文  参考訳（メタデータ） (2024-04-23T17:57:47Z)

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。