論文の概要: HELP ME THINK: A Simple Prompting Strategy for Non-experts to Create Customized Content with Models

• arxiv url: http://arxiv.org/abs/2208.08232v1
• Date: Wed, 17 Aug 2022 11:20:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-18 12:11:46.389439
• Title: HELP ME THINK: A Simple Prompting Strategy for Non-experts to Create Customized Content with Models
• Title（参考訳）: HELP ME THINK: モデルでカスタマイズされたコンテンツを作成する非専門家のための簡単なプロンプト戦略
• Authors: Swaroop Mishra and Elnaz Nouri
• Abstract要約: 本稿では,一連の質問をし,そのタスクの実行にユーザ回答を活用することで,非専門家ユーザを支援するための簡単なプロンプト戦略HELP ME THINKを提案する。 平均的な人間には難しい作業に焦点を合わせ、実行にはかなりの思考が必要である。
• 参考スコア（独自算出の注目度）: 7.342677574855651
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controlling the text generated by language models and customizing the content has been a long-standing challenge. Existing prompting techniques proposed in pursuit of providing control are task-specific and lack generality; this provides overwhelming choices for non-expert users to find a suitable method for their task. The effort associated with those techniques, such as in writing examples, explanations, instructions, etc. further limits their adoption among non-expert users. In this paper, we propose a simple prompting strategy HELP ME THINK where we encourage GPT3 to help non-expert users by asking a set of relevant questions and leveraging user answers to execute the task. We demonstrate the efficacy of our technique HELP ME THINK on a variety of tasks. Specifically, we focus on tasks that are hard for average humans and require significant thinking to perform. We hope our work will encourage the development of unconventional ways to harness the power of large language models.
• Abstract（参考訳）: 言語モデルによって生成されたテキストの制御とコンテンツのカスタマイズは長年の課題だった。 コントロールを提供するために提案された既存のプロンプトテクニックはタスク固有であり、汎用性が欠如している。 例や説明,指示など,これらのテクニックに関連する労力は,非専門家ユーザへの採用をさらに制限している。 本稿では,GPT3が関連する質問のセットを質問し,そのタスクの実行にユーザ回答を活用することで,専門家以外のユーザを支援するための簡単なプロンプト戦略HELP ME THINKを提案する。 この手法の有効性を実証することは、様々なタスクについて考えるのに役立ちます。 具体的には、平均的な人間には難しい作業に焦点を合わせ、実行にはかなりの思考が必要である。 私たちの仕事が,大規模な言語モデルのパワーを活用する非慣習的な方法の開発を奨励してくれることを願っています。

関連論文リスト

• Exploring Prompt Engineering Practices in the Enterprise [3.7882262667445734]
  プロンプト(英: prompt)は、モデルから特定の振る舞いや出力を引き出すように設計された自然言語命令である。 特定の要求のある複雑なタスクやタスクに対して、迅速な設計は簡単ではない。 我々は、プロンプト編集行動のセッションを分析し、ユーザが反復したプロンプトの一部と、それらが行った変更の種類を分類する。
  論文  参考訳（メタデータ） (2024-03-13T20:32:32Z)
• Towards Generalist Prompting for Large Language Models by Mental Models [105.03747314550591]
  大規模言語モデル(LLM)は多くのタスクにおいて素晴らしいパフォーマンスを示している。 最適な性能を達成するには、特別に設計されたプロンプト法が必要である。 本稿では,最適あるいは準最適性能を実現する設計原理に基づくジェネラリストプロンプトの概念を紹介する。
  論文  参考訳（メタデータ） (2024-02-28T11:29:09Z)
• PromptAgent: Strategic Planning with Language Models Enables Expert-level Prompt Optimization [60.00631098364391]
  PromptAgentは、エキスパートレベルのプロンプトを、専門家による手工芸品と同等の品質で作成する最適化手法である。 PromptAgentは人間のような試行錯誤の探索にインスパイアされ、専門家レベルの正確な洞察と詳細な指示を誘導する。 PromptAgentを3つの実践領域にまたがる12のタスクに適用する。
  論文  参考訳（メタデータ） (2023-10-25T07:47:01Z)
• Promptor: A Conversational and Autonomous Prompt Generation Agent for Intelligent Text Entry Techniques [36.109802898310306]
  本稿では,対話型プロンプト生成エージェントであるPromptorについて紹介する。 我々は,24人の参加者が3つの知的テキスト入力タスクのプロンプトを作成するユーザスタディを行った。 その結果,プロンプター設計によるプロンプターの類似性は35%増加し,コヒーレンスも22%向上した。
  論文  参考訳（メタデータ） (2023-10-12T07:51:43Z)
• Pushing the Limits of ChatGPT on NLP Tasks [79.17291002710517]
  ChatGPTの成功にもかかわらず、ほとんどのNLPタスクのパフォーマンスは教師付きベースラインよりかなり低い。 そこで本研究では,原因を調べた結果,以下の要因が原因であることが判明した。 NLPタスクにおけるChatGPTの限界を押し上げるために,これらの問題に対処する汎用モジュールの集合を提案する。
  論文  参考訳（メタデータ） (2023-06-16T09:40:05Z)
• Interactive and Visual Prompt Engineering for Ad-hoc Task Adaptation with Large Language Models [116.25562358482962]
  最先端のニューラルネットワークモデルは、教師付きトレーニングを必要とせずに、アドホックな言語タスクを解決するために使用することができる。 PromptIDEを使えば、ユーザはプロンプトのバリエーションを試すことができ、プロンプトのパフォーマンスを視覚化し、反復的にプロンプトを最適化できる。
  論文  参考訳（メタデータ） (2022-08-16T17:17:53Z)
• Improving Task Generalization via Unified Schema Prompt [87.31158568180514]
  Unified Promptはフレキシブルでプロンプトの手法で、タスク入力スキーマに従って各タスクの学習可能なプロンプトを自動的にカスタマイズする。 異なるタスクスキーマの特徴を維持しながら、タスク間の共有知識をモデル化する。 このフレームワークは、8つのタスクタイプから下流に見えない16のタスクに対して、強力なゼロショットと少数ショットのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-08-05T15:26:36Z)
• Exploring with Sticky Mittens: Reinforcement Learning with Expert Interventions via Option Templates [31.836234758355243]
  本稿では,長期強化学習課題の解決に専門家の介入を活用する枠組みを提案する。 我々は、強化学習を用いてトレーニング可能な潜在的オプションを符号化する仕様であるオプションテンプレートについて検討する。 我々は,3つの強化学習問題に対するアプローチを評価した結果,最先端のアプローチを桁違いに上回る結果となった。
  論文  参考訳（メタデータ） (2022-02-25T20:55:34Z)
• Towards Improved Model Design for Authorship Identification: A Survey on Writing Style Understanding [30.642840676899734]
  著者識別タスクは言語スタイルに大きく依存している。 手作りの機能セットに基づく従来の機械学習手法は、すでにパフォーマンスの限界に近づいている。 スタイル関連タスクにおける卓越した手法を概説し、それらの組み合わせがトップパフォーマンスモデルでどのように使われているかを分析する。
  論文  参考訳（メタデータ） (2020-09-30T05:17:42Z)
• Expertise Style Transfer: A New Task Towards Better Communication between Experts and Laymen [88.30492014778943]
  そこで我々は,手動で注釈付きデータセットを手動で提供し,専門的なスタイルの転送を行う新しいタスクを提案する。 このタスクの解決は、プロの言語を単純化するだけでなく、レイメンの記述の正確さと専門性の向上にも寄与する。 スタイル転送とテキスト単純化のための5つの最先端モデルのベンチマーク性能を確立する。
  論文  参考訳（メタデータ） (2020-05-02T04:50:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。