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

Russian

Индивидуальные предпочтения часто становятся видимыми только после развертывания, когда пользователь принимает одно решение или отменяет его в пользу другого. Интерфейсы, введенные в стиле Jev, делают эту обратную связь явным, идентифицируя выбранное действие и, при отмене, решение, которое оно заменяет. Мы изучаем, как эти последствия сохраняются на всех запросах, таких как решение-уровни непрерывного обучения от типовой обратной связи (Jev-DLC). Jev-DLC рассматривает каждую корректировку как доказательство повторяющейся идентичности действий и направленной связи между предпочтительными и отвергнутыми выборами.

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