arXiv cs.MA· Bruno Arcanjo, Zhaoxing Li, Sebastian Stein·· 2 天前AI 评分25
Agentic-Priors：用 LLM 解决偏好 elicitation 的冷启动问题
Agentic-Priors: Using Large Language Models to Address the Cold Start Problem in Preference Elicitation
AI 导读
Agentic-Priors 让 LLM 以可解释的方式陈述新用户的权衡（如支付意愿、时间价值），并将其映射为多项 logit 系数的先验，再由贝叶斯学习器随观测到的选择逐步修正。
正文 · AI 翻译
摘要：一个从用户选择中学习其偏好的智能体面临冷启动问题：在观察到任何选择之前，它只能依赖先验。信息丰富的先验通常根据历史选择数据拟合，而新任务和新部署缺乏此类数据。为解决这一问题，我们提出 Agentic-Priors，让智能体系统转而利用大型语言模型（LLM）的隐式知识。具体而言，LLM 以可解释的方式陈述新用户的权衡取舍，例如支付意愿或时间价值，我们将其映射为多项 logit 系数的先验。随后，随着选择被观察到，该先验由贝叶斯学习器进行细化。在七个选择数据集上，Agentic-Priors 相比无信息先验将冷启动准确率提高了 5-40 个百分点。它还在三个数据集上优于最先进的 LLM 先验引出方法 AutoElicit，在一个数据集上略逊。它比上下文学习最多准确 18 个百分点，且从未显著更差。与基于规模不断增大的调查拟合的层次贝叶斯模型相比，就对数损失而言，我们的方法大致相当于 6-40 名受访用户，因此其价值集中在部署的初始用户上。
| 主题： | 多智能体系统（cs.MA）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.21938 [cs.MA] |
| （或 arXiv:2610.21938v1 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21938 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Bruno Arcanjo 先生 [查看电子邮件]
[v1]
2026年10月15日星期四 14:14:04 UTC（277 KB）
来源：arXiv cs.MA · arxiv.org