パーソナライゼーションを逆計画として捉える：構造的デノイジングによるエージェント型スライド生成のための潜在デザイン意図の学習

要旨

スライドデザインには、デッキテーマとページレイアウトの両方をパーソナライズする必要がある。しかし、現在のAIエージェントベースの手法は、粒度の細かいページレベルのデザインに苦戦している。あらかじめ指定されたテンプレートやユーザーの冗長な指示だけに依存しているため、潜在的なデザイン意図を捉えることができず、ページレベルスライドパーソナライゼーション（PSP）は未解決のままである。このギャップを埋めるために、本研究ではPSPを逆計画問題として定式化する。我々は、使用されている特定の実行ツール（例：PowerPoint、Beamer）に関する知識を一切仮定せずに、デザイン意図を学習することを提案する。しかし、これらのツールに対する制御を放棄すると、問題をエンドツーエンドで最適化することが困難になる。これを克服するために、我々はPSPを近似的に解くための原理的なフレームワークであるSPIREを提案する。クリーンなスライドの視覚構造を意図的に破壊することにより、SPIREはその破壊をノイズ除去する検証可能なタスクを生成し、それにより二つのエージェントが強化学習（RL）を介して実行可能なデザインを協調的に洗練することを学習する。我々は、構造的ノイズ除去がPSPの一貫した代理タスクであり、マルチエージェント定式化がRLにおける方策勾配の分散を厳密に削減することを証明する。広範な実験により、SPIREの優位性が実証される。

English

Slide design requires personalizing both deck themes and page layouts. Yet, current AI agent-based methods struggle with fine-grained, page-level design. Solely relying on prespecified templates or user verbose instructions, they fail to capture latent design intents, leaving Page-level Slide Personalization (PSP) unresolved. To close this gap, this work formulates PSP as an inverse planning problem. We propose to learn a design intent without assuming any knowledge of the specific executing tools (e.g., PowerPoint, Beamer) being used. However, relinquishing control over these tools makes the problem intractable to optimize end-to-end. To overcome this, we propose SPIRE, a principled framework to solve PSP approximately. By intentionally corrupting the visual structures of clean slides, SPIRE creates a verifiable task to denoise the corruption, whereby two agents learn to collaboratively refine executable designs via reinforcement learning (RL). We present a proof that structural denoising is a consistent surrogate for PSP, and that the multi-agent formulation strictly reduces policy gradient variance in RL. Extensive experiments demonstrate the superiority of SPIRE.