Newest papers

Jev-DLC: Decision-Level Continual Learning from Typed Feedback

Yangyang Feng, Jianle Gan, Zhuoyan Feng, Chengwei Qin · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31521 · open-access PDF

Spanish

Las preferencias individuales a menudo se vuelven visibles sólo después de la implementación, cuando un usuario acepta una decisión o la revoca a favor de otra. Las interfaces tipificadas de estilo Jev hacen este feedback explícito identificando la acción seleccionada y, bajo revocación, la decisión que sustituye. Estudiamos cómo estas consecuencias persisten a través de las solicitudes como Decision-Level Continual Learning from Typed Feedback (Jev-DLC). Jev-DLC trata cada corrección como evidencia de una identidad de acción recurrente y una relación dirigida entre las opciones preferidas y rechazadas.

Machine translation (Meta M2M100); the English original follows.

Abstract

Individual preferences often become visible only after deployment, when a user accepts one decision or revokes it in favor of another. Jev-style typed interfaces make this feedback explicit by identifying the selected action and, under revocation, the decision it replaces. We study how these consequences persist across requests as Decision-Level Continual Learning from Typed Feedback (Jev-DLC). Jev-DLC treats each correction as both evidence about a recurring action identity and a directed relation between the preferred and rejected choices. It preserves these signals in complementary bounded

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange