論文の概要: When Optimization Meets Human Intent: Human-Centered Diffusion Model Optimization

• arxiv url: http://arxiv.org/abs/2611.03140v1
• Date: Mon, 02 Nov 2026 13:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:03:31.254179
• Title: When Optimization Meets Human Intent: Human-Centered Diffusion Model Optimization
• Title（参考訳）: 人間中心拡散モデル最適化
• Abstract要約: 人間の要求は多次元的、文脈的、動的であるが、既存の手法はそれらを固定メトリクスと近似する。 我々は、人間の意図がどのように表現され、最適化可能な目的に翻訳され、モデル行動や生成に適用され、出力を通して評価されるかを分析する。 この人間中心合成は、拡散最適化を再編成し、人間の好みのために設計されたパーソナライズされた生成システムに対して体系的な参照を提供する。
• 参考スコア（独自算出の注目度）: 5.087526356650803
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Diffusion models are evolving from general tools into personalized systems that adapt to user needs through fine-tuning and guidance. However, diffusion optimization mainly targets measurable objectives such as aesthetics, rarely examining whether they align with human intent. Human needs are multidimensional, contextual, and dynamic, whereas existing methods approximate them with fixed metrics. Because these metrics capture human needs only partially and may amplify deviations from true intent during optimization, higher scores need not yield results better matching human expectations. To understand how human needs enter and influence optimization, we systematically analyze how human intent is expressed, translated into optimizable objectives, applied to model behavior or generation, and evaluated through outputs. We further discuss trade-offs affecting human-intent alignment in personalized image generation and gaps between automated metrics and real user judgments. This human-centered synthesis reorganizes diffusion optimization and provides a systematic reference for personalized generation systems designed for human preferences.
• Abstract（参考訳）: 拡散モデルは、一般的なツールから、微調整とガイダンスを通じてユーザーのニーズに適応するパーソナライズされたシステムへと進化している。 しかし、拡散最適化は主に美学などの測定可能な目的を目標とし、それらが人間の意図に合致するかどうかを調べることは稀である。 人間の要求は多次元的、文脈的、動的であるが、既存の手法はそれらを固定メトリクスと近似する。 これらの指標は、部分的にしか人間の要求を捉えておらず、最適化中の真の意図から逸脱を増幅する可能性があるため、より高いスコアは、人間の期待により良い結果をもたらす必要はない。 人的ニーズの入力と影響の最適化を理解するために,人間の意図がどのように表現され,最適化可能な目的に翻訳され,モデル行動や生成に適用され,アウトプットを通じて評価されるのかを体系的に分析する。 さらに、パーソナライズされた画像生成における人間の意図的アライメントに影響を与えるトレードオフと、自動メトリクスと実際のユーザ判断のギャップについても論じる。 この人間中心合成は、拡散最適化を再編成し、人間の好みのために設計されたパーソナライズされた生成システムに対して体系的な参照を提供する。

関連論文リスト

• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• HumanLLM: Towards Personalized Understanding and Simulation of Human Nature [72.55730315685837]
  HumanLLMは個人のパーソナライズされた理解とシミュレーションのために設計された基礎モデルである。 私たちはまず、Reddit、Twitter、Blogger、Amazonといったプラットフォーム上で、現実世界のユーザデータをキュレートした大規模なコーパスであるCognitive Genomeを構築しました。 次に、多様な学習タスクを定式化し、教師付き微調整を行い、モデルの幅広い個人化された人間の行動、思考、経験を予測する。
  論文  参考訳（メタデータ） (2026-01-22T09:27:27Z)
• Don't Waste It: Guiding Generative Recommenders with Structured Human Priors via Multi-head Decoding [36.10174210922267]
  生成的推薦者のエンド・ツー・エンドトレーニングに直接、人間の先入観を直接シームレスに統合するバックボーン非依存の枠組みを導入する。 本手法は精度と超精度の両方を著しく向上させる。
  論文  参考訳（メタデータ） (2025-11-13T16:59:22Z)
• Learning Design-Score Manifold to Guide Diffusion Models for Offline Optimization [15.663508678977468]
  本稿では,設計スコア多様体を学習する拡散型フレームワークであるManGOを紹介する。 ManGOは、トレーニングデータ以外の一般化を実現するために、設計スコアの相互依存を全体的に統一する。 様々な領域にわたる24の単目的と10の多目的の最適化手法より優れている。
  論文  参考訳（メタデータ） (2025-06-06T02:11:10Z)
• Leveraging Robust Optimization for LLM Alignment under Distribution Shifts [51.74394601039711]
  人間の値に整合した出力を生成するために、大規模言語モデルを操る上で、優先順位アライメント手法はますます重要になっている。 このようなシフトに拘わらず、好みのアライメントを改善する新しい分布対応最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:14:38Z)
• DEEPER Insight into Your User: Directed Persona Refinement for Dynamic Persona Modeling [38.18345641589625]
  本稿では,動的ペルソナモデリングのための新しいアプローチであるDEEPERを提案する。 10ドメインにわたる4800人のユーザによる動的ペルソナモデリングの実験は、DEEPERの優れたペルソナ最適化能力を強調している。
  論文  参考訳（メタデータ） (2025-02-16T11:02:37Z)
• Aligning Human Motion Generation with Human Perceptions [51.831338643012444]
  本研究では,大規模人間の知覚評価データセットであるMotionPerceptと,人間の動作批判モデルであるMotionCriticを導入することにより,ギャップを埋めるデータ駆動型アプローチを提案する。 我々の批評家モデルは、運動品質を評価するためのより正確な指標を提供しており、容易に運動生成パイプラインに統合することができる。
  論文  参考訳（メタデータ） (2024-07-02T14:01:59Z)
• Human Preference-Based Learning for High-dimensional Optimization of Exoskeleton Walking Gaits [55.59198568303196]
  この研究は、LineCoSparという、高次元でユーザの好みを学習するヒューマン・イン・ザ・ループの好みベースのフレームワークを提示する。 シミュレーションと人為的試行において,LineCoSparは高次元の選好最適化のためのサンプル効率のよい手法であることを実証的に検証した。 この結果はエキソ骨格の歩行合成に影響を及ぼし,臨床応用と患者のリハビリテーションに有効である。
  論文  参考訳（メタデータ） (2020-03-13T22:02:15Z)

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。