LLMが日常生活のリズムを読む：行動予測と生成のためのアラインされた理解

要旨: 人間の日常行動は、意図、嗜好、文脈によって形作られる複雑な一連の流れとして展開する。これらの行動を効果的にモデル化することは、パーソナルアシスタントやレコメンドエンジンといった知的システムにとって重要である。近年、深層学習および行動事前学習の進展により行動予測は改善されてきたが、依然として主要な課題が残っている。とりわけ、ロングテールな行動への対応、解釈可能性の向上、そして統一された枠組みの中で複数のタスクを支援することに関する課題である。大規模言語モデル（LLM）は、その意味的な豊かさ、強い解釈可能性、そして生成能力により有望な方向性を示す。しかし、行動データと自然言語の間には、構造的およびモダリティ的な相違があり、そのためLLMの直接的な適用は制限される。
このギャップに対処するために、本研究では、人間の行動モデリングにLLMを統合する新しい枠組みである行動理解アラインメント（BUA）を提案する。BUAは、事前学習済み行動モデルから得られるシーケンス埋め込みをアラインメントのアンカーとして用い、3段階のキュリキュラム学習プロセスを通じてLLMを導く。さらに、多ラウンドの対話設定により、予測および生成の能力を導入する。2つの実世界データセットに関する実験により、BUAが両タスクにおいて既存手法を大きく上回ることが示され、その複雑な人間の行動モデリングにLLMを適用する有効性と柔軟性が裏付けられる。