Fugu-MT 論文翻訳(概要): Personalized Causal Graph Reasoning for LLMs: An Implementation for Dietary Recommendations

論文の概要: Personalized Causal Graph Reasoning for LLMs: An Implementation for Dietary Recommendations

arxiv url: http://arxiv.org/abs/2503.00134v3
Date: Mon, 01 Sep 2025 04:16:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-03 14:24:52.199174
Title: Personalized Causal Graph Reasoning for LLMs: An Implementation for Dietary Recommendations
Title（参考訳）: LLMのためのパーソナライズされた因果グラフ推論:食事勧告の実装
Authors: Zhongqi Yang, Amir Rahmani,
Abstract要約: 本研究では,長手データから構築した個人固有の因果グラフを,大規模言語モデルで推論できるフレームワークを提案する。クエリに応答して、LLMはグラフを横切り、関連する因果経路を特定し、推定された影響によってそれらをランク付けし、潜在的な結果をシミュレートし、調整された応答を生成する。代謝応答の変動がパーソナライズされた推論を要求される栄養指向の食事レコメンデーションの文脈で,この枠組みを実装した。
参考スコア（独自算出の注目度）: 0.5228101935101477
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Large Language Models (LLMs) excel at general-purpose reasoning by leveraging broad commonsense knowledge, but they remain limited in tasks requiring personalized reasoning over multifactorial personal data. This limitation constrains their applicability in domains such as healthcare, where decisions must adapt to individual contexts. We introduce Personalized Causal Graph Reasoning, a framework that enables LLMs to reason over individual-specific causal graphs constructed from longitudinal data. Each graph encodes how user-specific factors influence targeted outcomes. In response to a query, the LLM traverses the graph to identify relevant causal pathways, rank them by estimated impact, simulate potential outcomes, and generate tailored responses. We implement this framework in the context of nutrient-oriented dietary recommendations, where variability in metabolic responses demands personalized reasoning. Using counterfactual evaluation, we assess the effectiveness of LLM-generated food suggestions for glucose control. Our method reduces postprandial glucose iAUC across three time windows compared to prior approaches. Additional LLM-as-a-judge evaluations further confirm improvements in personalization quality.
Abstract（参考訳）: 大言語モデル(LLM)は、広義の常識的知識を活用することで汎用的推論に優れるが、多要素的個人データよりもパーソナライズされた推論を必要とするタスクに限られる。この制限は、意思決定が個々のコンテキストに適応しなければならない医療などの領域における適用性を制限します。縦データから構築した個人固有の因果グラフをLLMが推論できるフレームワークであるPersonalized Causal Graph Reasoningを導入する。各グラフは、ユーザ固有の要因が対象とする結果にどのように影響するかをエンコードする。クエリに応答して、LLMはグラフを横切り、関連する因果経路を特定し、推定された影響によってそれらをランク付けし、潜在的な結果をシミュレートし、調整された応答を生成する。代謝応答の変動がパーソナライズされた推論を要求される栄養指向の食事レコメンデーションの文脈で、この枠組みを実装した。副次的評価を用いて,LLM生成食品の提案によるグルコースコントロールの有効性を検証した。本手法は, 従来のアプローチと比較して, 3つの時間窓にまたがるグルコースiAUCを減少させる。 LLM-as-a-judgeのさらなる評価は、パーソナライズ品質の改善をさらに確認する。

関連論文リスト

MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation [50.309987904297415]
Yelpのような主要な食品レコメンデーションプラットフォームは、ユーザの選択した健康性よりも、ユーザの食事の好みを優先している。我々はMOPI-HFRS(Multi-Objective Personalized Interpretable Health-Aware Food Recommendation System)を開発した。ユーザの好み、パーソナライズされた健康、栄養の多様性の3つの目標と、大きな言語モデル(LLM)強化推論モジュールを共同で最適化することで、食品レコメンデーションを提供する。
論文参考訳（メタデータ） (2024-12-12T01:02:09Z)
ReasoningRec: Bridging Personalized Recommendations and Human-Interpretable Explanations through LLM Reasoning [15.049688896236821]
本稿では、推論に基づくレコメンデーションフレームワークReasoningRecについて述べる。 ReasoningRecはレコメンデーションと人間の解釈可能な説明のギャップを埋める。実証的な評価では、ReasoningRecは最先端の手法を最大12.5%上回っている。
論文参考訳（メタデータ） (2024-10-30T16:37:04Z)
Uncovering Factor Level Preferences to Improve Human-Model Alignment [58.50191593880829]
PROFILEは、好みを駆動する特定の要因の影響を明らかにし、定量化するフレームワークである。 ProFILE の因子レベル分析は、人間モデルのアライメントと不適応の背後にある 'なぜ' を説明している。我々は、不整合要因に対処するなど、要因レベルの洞察の活用が、人間の嗜好との整合性をいかに改善するかを実証する。
論文参考訳（メタデータ） (2024-10-09T15:02:34Z)
Leveraging LLM Reasoning Enhances Personalized Recommender Systems [25.765908301183188]
本稿では,レコメンデーションシステム (RecSys) におけるLarge Language Models (LLMs) の推論の適用が,大きな課題であることを示す。本研究では、RecSysの推論をよりよく理解し、タスク品質がどのように改善されるかを示すために、いくつかの側面について検討する。
論文参考訳（メタデータ） (2024-07-22T20:18:50Z)
Evaluating Human Alignment and Model Faithfulness of LLM Rationale [66.75309523854476]
大規模言語モデル(LLM)が,その世代を理論的にどのように説明するかを考察する。提案手法は帰属に基づく説明よりも「偽り」が少ないことを示す。
論文参考訳（メタデータ） (2024-06-28T20:06:30Z)
Fairer Preferences Elicit Improved Human-Aligned Large Language Model Judgments [41.25558612970942]
大規模言語モデル (LLMs) が優先バイアスを示し, 設計に敏感であることを示す。この現象に触発された自動ゼロショット評価指向のプロンプト最適化フレームワークZEPOを提案する。
論文参考訳（メタデータ） (2024-06-17T09:48:53Z)
A Survey on Human Preference Learning for Large Language Models [81.41868485811625]
近年の多目的大言語モデル(LLM)の急激な増加は、より有能な基礎モデルと人間の意図を優先学習によって整合させることに大きく依存している。本調査では、選好フィードバックのソースとフォーマット、選好信号のモデリングと使用、および、整列 LLM の評価について述べる。
論文参考訳（メタデータ） (2024-06-17T03:52:51Z)
Evaluating Interventional Reasoning Capabilities of Large Language Models [58.52919374786108]
大規模言語モデル(LLM)は意思決定タスクを自動化するために使用される。本稿では,LPMが介入に応じてデータ生成プロセスの知識を正確に更新できるかどうかを評価する。さまざまな因果グラフ(例えば、コンバウンディング、仲介)と変数タイプにまたがるベンチマークを作成します。これらのベンチマークにより、LLMが事実を記憶したり、他のショートカットを見つけたりすることで、変化を正確に予測する能力を切り離すことができます。
論文参考訳（メタデータ） (2024-04-08T14:15:56Z)
LLMs-based Few-Shot Disease Predictions using EHR: A Novel Approach Combining Predictive Agent Reasoning and Critical Agent Instruction [38.11497959553319]
本研究では,構造化患者訪問データを自然言語物語に変換するための大規模言語モデルの適用可能性について検討する。様々なERH予測指向のプロンプト戦略を用いて,LLMのゼロショット性能と少数ショット性能を評価した。提案手法を用いることで,従来のERHによる疾患予測の教師付き学習法と比較して,LLMの精度は極めて低いことが示唆された。
論文参考訳（メタデータ） (2024-03-19T18:10:13Z)
Mitigating Large Language Model Hallucinations via Autonomous Knowledge Graph-based Retrofitting [51.7049140329611]
本稿では,知識グラフに基づくリトロフィッティング(KGR)を提案する。実験により,実QAベンチマークにおいて,KGRはLLMの性能を大幅に向上できることが示された。
論文参考訳（メタデータ） (2023-11-22T11:08:38Z)

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。