論文の概要: To Align Long, Plan Short: Simulating Diverse Profile-Aligned Students by Realizing Short-Term Plans in Long-Horizon Learning Environments

• arxiv url: http://arxiv.org/abs/2611.02002v1
• Date: Sun, 01 Nov 2026 15:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.51878
• Title: To Align Long, Plan Short: Simulating Diverse Profile-Aligned Students by Realizing Short-Term Plans in Long-Horizon Learning Environments
• Title（参考訳）: 長期的, 短期的計画: 長期学習環境における短期計画の実現による多元多元学習のシミュレーション
• Abstract要約: 本稿では,観察可能な環境特化行動プロファイルを前提とした階層型シミュレーション学生であるALPS(Align Long-term by Planning Short-term)を紹介する。 我々は、ALPSをデータ満足度とデータ満足度の両方で評価し、実際の学生の軌跡や教師のLSMから監督を受ける。 どちらの設定でも、ALPSはターンレベルの生成を一貫して上回り、高い密度と低い監督下での判定パス率を達成する。
• 参考スコア（独自算出の注目度）: 23.302025065935638
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulated students offer a scalable way to test learning platforms and AI tutors before deployment with real students and to augment scarce data for studying learning at scale. Existing LLM-based simulators primarily target short, language-centered interactions. In open-ended learning environments, however, student behavior emerges from patterns across long-horizon interaction trajectories, where turn-level prompting can drift from an assigned behavior profile. We introduce ALPS (Align Long-term by Planning Short-term), a hierarchical simulated student conditioned on observable, environment-specific behavior profiles. Rather than selecting every action independently, ALPS alternates between planning profile-aligned task segments and generating the corresponding actions. We evaluate ALPS in both data-sufficient and data-scarce settings, where supervision comes either from real student trajectories or from a teacher LLM. Across both settings, we compare in-context learning (ICL), supervised fine-tuning (SFT), reward-ranked fine-tuning (RAFT), and their sequential combination (SFT followed by RAFT). Experiments in an inquiry-based physics game and a pharmacy simulation evaluate behavioral density and coverage against held-out real data, and profile consistency using a human-aligned LLM judge. Across both settings, ALPS consistently outperforms turn-level generation, achieving comparable density and judge pass rates under scarce supervision, although coverage remains lower. These results show that hierarchical planning enables faithful, profile-aligned simulation over long interaction horizons, even with limited real student data.
• Abstract（参考訳）: シミュレーションされた学生は、実際の学生とデプロイする前に、学習プラットフォームとAI家庭教師をテストするためのスケーラブルな方法を提供する。 既存のLLMベースのシミュレータは主に短い言語中心の相互作用をターゲットとしている。 しかし、オープンエンドの学習環境では、学生の行動は長い水平相互作用の軌跡にまたがるパターンから発生し、ターンレベルのプロンプトは割り当てられた行動プロファイルからドリフトする。 本稿では,観察可能な環境特化行動プロファイルを前提とした階層型シミュレートされた学生であるALPS(Align Long-term by Planning Short-term)を紹介する。 すべてのアクションを独立に選択するのではなく、ALPSはプロファイルに整合したタスクセグメントを計画し、対応するアクションを生成する。 我々は、ALPSをデータ満足度とデータ満足度の両方で評価し、実際の学生の軌跡や教師のLSMから監督を受ける。 いずれの設定においても,テキスト内学習(ICL),教師付き微調整(SFT),報酬ランク付微調整(RAFT),連続的な組み合わせ(SFT,RAFT)を比較した。 質問紙を用いた物理ゲームと薬局シミュレーションによる実験により, 保持された実データに対する行動密度とカバレッジ, プロファイルの整合性を評価する。 両方の設定で、ALPSはターンレベルの生成を一貫して上回り、監視下において同等の密度と判定パス率を達成するが、カバレッジは依然として低い。 これらの結果から,階層的プランニングは,学生データに制限がある場合でも,長時間の相互作用地平線上での忠実なプロファイル整合シミュレーションを可能にすることが示唆された。

関連論文リスト

• Towards Faithful Simulation of Human Shopping Behavior [57.234936207923]
  本稿では,GUIを用いたシミュレーションエージェントRecVerseについて紹介する。 メモリの問題に対して、RecVerseは認知にインスパイアされた階層的メモリ、短期的なフォーカスのためのワーキングメモリ、セッション内トレースのためのエピソディックメモリ、高レベルのインテントのためのPreference Memoryを採用する。 最適化の課題として、RecVerseは、セッション全体をスコアする軌道レベルの目標で最適化されている。
  論文  参考訳（メタデータ） (2026-08-21T03:24:32Z)
• SAMPLe: SAM-based Optimizer for Prompt Learning in VLMs [15.702319787140341]
  SAMPLe (Sharpness-Aware Minimization Prompt Learning) は、損失ランドスケープのシャープネスを考慮し、迅速な一般化性を高めるプラグインである。 我々は、SAMPLeをCoOp、CoCoOp、MaPLe、TCP、CoPromptなど複数の素早い学習フレームワークに統合し、様々な手法でその効果を実証する。
  論文  参考訳（メタデータ） (2026-07-07T01:21:33Z)
• Learning POMDP World Models from Observations with Language-Model Priors [52.11151769796862]
  部分的に観測可能なマルコフ決定プロセス(POMDP)は、内部世界モデルのための柔軟なモデリングクラスを提供する。 先行知識を活用することで,言語モデルがコストのかかる相互作用を低減できるかどうかを問う。 我々は,emphPinductor が LLM ベースの POMDP 学習手法の性能とサンプル効率に一致することを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:18:15Z)
• GraSP-STL: A Graph-Based Framework for Zero-Shot Signal Temporal Logic Planning via Offline Goal-Conditioned Reinforcement Learning [5.573866102893894]
  我々はSignal Temporal Logic (STL) 仕様の下でオフラインゼロショットプランニングについて検討する。 オフライン軌道からのゼロショットSTL計画のためのグラフ検索に基づくフレームワークGraSP-STLを提案する。
  論文  参考訳（メタデータ） (2026-03-31T10:15:42Z)
• ViterbiPlanNet: Injecting Procedural Knowledge via Differentiable Viterbi for Planning in Instructional Videos [15.697653554425045]
  手続き的計画(Procedural Planning)は、初期視覚状態を望ましい目標に変換する一連の行動を予測することを目的としている。 既存のアプローチは、手続き構造を暗黙的に学習する大規模モデルに依存している。 本稿では,手続き的知識を学習プロセスに統合する原則的フレームワークであるViterbiPlanNetを紹介する。
  論文  参考訳（メタデータ） (2026-03-04T16:50:07Z)
• CLASS-IT: Conversational and Lecture-Aligned Small-Scale Instruction Tuning for BabyLMs [81.79228604962687]
  本研究は,小規模のLMが命令チューニングの恩恵を受けることができるかどうかを考察する。 我々は,統合的・逐次的なカリキュラムに適用された対話型および質問応答型指導調律データセットを比較した。 その結果、命令チューニングは微調整のシナリオでは小さくても一貫した利得をもたらすことが示され、逐次キュリキュラはマージされたデータより優れていた。 しかし、改良はゼロショットタスクに一貫して移行するわけではなく、相互作用中心の適応と広範な言語一般化とのトレードオフを示唆している。
  論文  参考訳（メタデータ） (2025-10-29T10:36:39Z)
• If an LLM Were a Character, Would It Know Its Own Story? Evaluating Lifelong Learning in LLMs [55.8331366739144]
  大規模言語モデル(LLM)における生涯学習評価のためのベンチマークであるLIFESTATE-BENCHを紹介する。 我々の事実チェック評価は、パラメトリックと非パラメトリックの両方のアプローチで、モデルの自己認識、エピソードメモリ検索、関係追跡を探索する。
  論文  参考訳（メタデータ） (2025-03-30T16:50:57Z)
• Spatial Reasoning and Planning for Deep Embodied Agents [2.7195102129095003]
  この論文は空間的推論と計画タスクのためのデータ駆動手法の開発を探求する。 学習効率、解釈可能性、新しいシナリオ間の伝達可能性の向上に重点を置いている。
  論文  参考訳（メタデータ） (2024-09-28T23:05:56Z)
• Towards Unified Token Learning for Vision-Language Tracking [65.96561538356315]
  本稿では,VL追跡をトークン生成タスクとして用いた「textbfMMTrack」という,視覚言語(VL)追跡パイプラインを提案する。 提案フレームワークは,言語記述と境界ボックスを離散トークン列にシリアライズする。 この新しい設計パラダイムでは、全てのトークンクエリが望ましいターゲットを認識し、ターゲットの空間座標を直接予測するために必要となる。
  論文  参考訳（メタデータ） (2023-08-27T13:17:34Z)
• Efficient Learning of High Level Plans from Play [57.29562823883257]
  本稿では,移動計画と深いRLを橋渡しするロボット学習のフレームワークであるELF-Pについて紹介する。 ELF-Pは、複数の現実的な操作タスクよりも、関連するベースラインよりもはるかに優れたサンプル効率を有することを示す。
  論文  参考訳（メタデータ） (2023-03-16T20:09:47Z)
• PALMER: Perception-Action Loop with Memory for Long-Horizon Planning [1.5469452301122177]
  PALMERと呼ばれる汎用計画アルゴリズムを導入する。 Palmerは古典的なサンプリングベースの計画アルゴリズムと学習に基づく知覚表現を組み合わせる。 これにより、表現学習、記憶、強化学習、サンプリングベースの計画の間に、緊密なフィードバックループが生成される。
  論文  参考訳（メタデータ） (2022-12-08T22:11:49Z)

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。