論文の概要: Adaptive Personalization Under Preference Epistemic Uncertainty

• arxiv url: http://arxiv.org/abs/2610.40930v1
• Date: Thu, 29 Oct 2026 20:01:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.483941
• Title: Adaptive Personalization Under Preference Epistemic Uncertainty
• Title（参考訳）: 先天的不確実性を考慮した適応的パーソナライゼーション
• Abstract要約: 効果的なパーソナライズには、AIが反応戦略を進化する好みに適応させる必要がある。 人間の嗜好調査は、嗜好の不確実性の変化として、人々が状態一致反応戦略を好むことを確認している。 我々は,オープンエンド世代においてモデルが崩壊し,戦略キャリブレーションが35～46%低下したことを示す。
• 参考スコア（独自算出の注目度）: 9.97946856637902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human preferences change over time: an established preference may remain valid over time, become uncertain as context shifts, or be explicitly revised. Effective personalization requires conversational AI to adapt its response strategy to evolving preferences rather than relying on passive memory retrieval. We formalize this capability as adaptive personalization under epistemic uncertainty. A human preference study further confirms that people favor state-contingent response strategies as preference uncertainty changes. To evaluate whether language models mirror this adaptation, we create a multilingual benchmark spanning 250 personas, 5 languages, and 25K conversational turns that decouples strategy selection from response execution. Across eight closed- and open-weight models, we uncover a recognition-generation gap: models reliably identify appropriate strategies when selecting among candidate options, but collapse during open-ended generation, suffering a 35-46% drop in strategy calibration. Crucially, this failure is systematic: models default to exploit-first behavior, over-relying on existing preferences regardless of preference epistemic uncertainty. We show this failure is addressable: while prompting interventions fail, targeted training that supervises models' internal strategy representations toward state-conditional human preferences narrows the user acceptability generalization gap by a third on out-of-distribution personas and conversational styles.
• Abstract（参考訳）: 人間の嗜好は時間とともに変化する: 確立された嗜好は、時間とともに有効であり続けるか、文脈の変化とともに不確実になるか、明示的に修正されるかである。 効果的なパーソナライズには、受動的メモリ検索に頼るのではなく、その応答戦略を進化する好みに適応させるための会話型AIが必要である。 我々はこの能力を,てんかん不確実性の下で適応的パーソナライゼーションとして定式化する。 人間の嗜好調査は、嗜好の不確実性の変化として、人々が状態一致反応戦略を好むことをさらに確認する。 言語モデルがこの適応を反映しているかどうかを評価するため、応答実行から戦略選択を分離する250のペルソナ、5の言語、25Kの会話ターンにまたがる多言語ベンチマークを作成する。 モデルでは候補候補を選択する際に適切な戦略を確実に特定するが、オープンエンド世代中に崩壊し、戦略キャリブレーションが35～46%低下する。 重要なことに、この失敗はシステマティックである:モデルはエクスプロイトファーストの振る舞いをデフォルトとし、好みの不確実性に関係なく既存の嗜好を過度に反映する。 介入を促す一方で、状態条件の人間の嗜好に対するモデルの内部戦略表現を監督するターゲットトレーニングは、アウト・オブ・ディストリビューションのペルソナと会話スタイルの3分の1でユーザ受け入れ可能性の一般化ギャップを狭める。

関連論文リスト

• Evaluating the Hidden Costs of Personalization in Large Language Models [55.07935163900691]
  我々は,(1)無関係なパーソナライゼーション,(2)不必要な文脈で個人情報を参照するモデル,(2)好みの絞り込み,(2)情報エコーチャンバーを補強するモデル,(3)覚醒バイアス,(3)モデルがユーザの意見に過度に同意するモデル,の3つのリスクを識別する。 我々は、現在のAIアシスタントの体系的な制限を明らかにするために、自動データ生成と調整されたメトリクスを備えた動的評価フレームワークであるPRISKを提案する。
  論文  参考訳（メタデータ） (2026-08-28T20:05:12Z)
• Strategic Feature Selection [62.74494413516484]
  特徴選択による戦略的分類と隆起正則化との相互作用について検討する。 最適な正規化の下で特徴部分集合の性能を詳細に評価する。 この特徴から,我々は特徴セットとリッジ正規化のレベルを共同で選択する実用的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-06-17T09:47:15Z)
• EXACT: Explicit Attribute-Guided Decoding-Time Personalization [11.035465374731563]
  EXACTは新しいデコード時のパーソナライゼーションで、生成とペアの好みのフィードバックを限定的に調整する。 EXACTは、好みのモデリング精度やパーソナライズされた生成品質など、強いベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-06T14:53:37Z)
• Personalized Reasoning: Just-In-Time Personalization and Why LLMs Fail At It [81.50711040539566]
  現在の大規模言語モデル(LLM)開発は、タスク解決と優先順位調整を別の課題として扱う。 静的ベンチマークを対話型パーソナライズタスクに変換する評価手法であるPreFDISCOを紹介する。 我々のフレームワークは、ユーザコンテキストに応じて、同じ質問が異なる推論チェーンを必要とするシナリオを作成します。
  論文  参考訳（メタデータ） (2025-09-30T18:55:28Z)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• Persona-judge: Personalized Alignment of Large Language Models via Token-level Self-judgment [21.677859755364334]
  ペルソナ・ジャッジ(Persona-judge)は、トレーニング不要なパーソナライズされたアライメントと、目に見えない好みのアライメントを可能にする、新しい差別的パラダイムである。 Persona-judgeは、パーソナライズされたアライメントに対して、スケーラブルで、計算的に効率的なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-17T05:50:13Z)
• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)
• RLVF: Learning from Verbal Feedback without Overgeneralization [94.19501420241188]
  本稿では,このような過度な一般化を伴わずに,言語フィードバックを取り入れることの課題について検討する。 制約付き選好最適化(C3PO)を用いた新しい文脈的批評手法を開発した。 提案手法は,他の文脈に対する既存行動を維持しながら,関連するシナリオに対して効果的な言語フィードバックを適用する。
  論文  参考訳（メタデータ） (2024-02-16T18:50:24Z)

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。