論文の概要: Personalized Generation In Large Model Era: A Survey

• arxiv url: http://arxiv.org/abs/2503.02614v1
• Date: Tue, 04 Mar 2025 13:34:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:12:58.404099
• Title: Personalized Generation In Large Model Era: A Survey
• Title（参考訳）: 大規模モデル時代のパーソナライズドジェネレーション:サーベイ
• Authors: Yiyan Xu, Jinghao Zhang, Alireza Salemi, Xinting Hu, Wenjie Wang, Fuli Feng, Hamed Zamani, Xiangnan He, Tat-Seng Chua,
• Abstract要約: 大規模モデルの時代には、コンテンツ生成は徐々にパーソナライズドジェネレーション(PGen)へとシフトしている。 本報告では,PGen に関する総合的な調査を行い,この急速に成長する分野における既存研究について考察する。 複数のモダリティにまたがるPGen研究をブリッジすることで、この調査は知識共有と学際的コラボレーションを促進する貴重な情報源となる。
• 参考スコア（独自算出の注目度）: 90.7579254803302
• License:
• Abstract: In the era of large models, content generation is gradually shifting to Personalized Generation (PGen), tailoring content to individual preferences and needs. This paper presents the first comprehensive survey on PGen, investigating existing research in this rapidly growing field. We conceptualize PGen from a unified perspective, systematically formalizing its key components, core objectives, and abstract workflows. Based on this unified perspective, we propose a multi-level taxonomy, offering an in-depth review of technical advancements, commonly used datasets, and evaluation metrics across multiple modalities, personalized contexts, and tasks. Moreover, we envision the potential applications of PGen and highlight open challenges and promising directions for future exploration. By bridging PGen research across multiple modalities, this survey serves as a valuable resource for fostering knowledge sharing and interdisciplinary collaboration, ultimately contributing to a more personalized digital landscape.
• Abstract（参考訳）: 大規模モデルの時代には、コンテンツ生成は徐々にパーソナライズドジェネレーション(PGen)に移行し、個々の好みやニーズに合わせてコンテンツを調整している。 本報告では,PGen に関する総合的な調査を行い,この急速に成長する分野における既存研究について考察する。 我々はPGenを統一的な視点から概念化し、主要なコンポーネント、コア目標、抽象的なワークフローを体系的に定式化する。 この統合された視点に基づいて、多段階分類を提案し、技術的進歩、一般的に使用されるデータセット、複数のモダリティ、パーソナライズされたコンテキスト、タスクに対する評価指標の詳細なレビューを提供する。 さらに、我々はPGenの潜在的な応用を想定し、オープンな課題と将来の探査に向けた有望な方向性を強調します。 複数のモダリティにまたがるPGen研究をブリッジすることで、この調査は知識共有と学際的なコラボレーションを促進するための貴重なリソースとなり、最終的にはよりパーソナライズされたデジタルランドスケープに寄与する。

関連論文リスト

• Personalized Multimodal Large Language Models: A Survey [127.9521218125761]
  マルチモーダル大言語モデル(MLLM)は、最先端の性能と複数のデータモダリティを統合する能力により、ますます重要になっている。 本稿では,パーソナライズされたマルチモーダルな大規模言語モデルに関する包括的調査を行い,そのアーキテクチャ,トレーニング方法,アプリケーションに焦点をあてる。
  論文  参考訳（メタデータ） (2024-12-03T03:59:03Z)
• Capturing research literature attitude towards Sustainable Development Goals: an LLM-based topic modeling approach [0.7806050661713976]
  持続可能な開発目標は2015年に国連によって策定され、2030年までにこれらの世界的な課題に対処した。 自然言語処理技術は、研究文献の中のSDGに関する議論を明らかにするのに役立つ。 我々は,Scopusデータベースからコンテンツを取り出し,SDGの5つのグループ専用のデータセットを作成する,完全に自動化されたパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:37:23Z)
• The Oscars of AI Theater: A Survey on Role-Playing with Language Models [38.68597594794648]
  本調査では,言語モデルを用いたロールプレイングの急成長分野について検討する。 それは、初期のペルソナモデルから、Large Language Models(LLMs)によって促進される高度なキャラクタ駆動シミュレーションまでの開発に焦点を当てている。 データやモデル,アライメント,エージェントアーキテクチャ,評価など,これらのシステムを設計する上で重要なコンポーネントを包括的に分類する。
  論文  参考訳（メタデータ） (2024-07-16T08:20:39Z)
• A Survey on Personalized Content Synthesis with Diffusion Models [57.01364199734464]
  PCSは、特定のユーザ定義のプロンプトに対する関心の主題をカスタマイズすることを目的としている。 過去2年間で150以上の方法が提案されている。 本稿では,PCSの拡散モデルに着目した包括的調査を行う。
  論文  参考訳（メタデータ） (2024-05-09T04:36:04Z)
• From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models [98.41645229835493]
  グラフ形式のデータの可視化は、データ分析において重要な役割を担い、重要な洞察を提供し、情報的な意思決定を支援する。 大規模言語モデルのような大規模な基盤モデルは、様々な自然言語処理タスクに革命をもたらした。 本研究は,自然言語処理,コンピュータビジョン,データ解析の分野における研究者や実践者の包括的資源として機能する。
  論文  参考訳（メタデータ） (2024-03-18T17:57:09Z)
• Towards Unified Multi-Modal Personalization: Large Vision-Language Models for Generative Recommendation and Beyond [87.1712108247199]
  我々の目標は、マルチモーダルパーソナライゼーションシステム(UniMP)のための統一パラダイムを確立することである。 我々は、幅広いパーソナライズされたニーズに対処できる汎用的でパーソナライズされた生成フレームワークを開発する。 我々の手法は、パーソナライズされたタスクのための基礎言語モデルの能力を高める。
  論文  参考訳（メタデータ） (2024-03-15T20:21:31Z)
• A Survey on Extractive Knowledge Graph Summarization: Applications, Approaches, Evaluation, and Future Directions [9.668678976640022]
  抽出KG要約は、凝縮した情報でコンパクトな部分グラフを蒸留することを目的としている。 本稿では,その応用を体系的に概説し,学際的な研究から既存の方法の分類を定めている。 今後の方向性は、我々の広範囲かつ比較的なレビューに基づいて策定されます。
  論文  参考訳（メタデータ） (2024-02-19T09:49:53Z)
• User Modeling and User Profiling: A Comprehensive Survey [0.0]
  本稿では,ユーザモデリングとプロファイリング研究の現状,進化,今後の方向性について調査する。 我々は、初期のステレオタイプモデルから最新のディープラーニング技術までの開発をトレースする、歴史的概要を提供する。 また、プライバシ保護技術に対する重要なニーズと、ユーザモデリングアプローチにおける説明可能性と公正性への推進にも対処する。
  論文  参考訳（メタデータ） (2024-02-15T02:06:06Z)
• Positioning yourself in the maze of Neural Text Generation: A Task-Agnostic Survey [54.34370423151014]
  本稿では, ストーリーテリング, 要約, 翻訳など, 世代ごとのタスクインパクトをリレーする手法の構成要素について検討する。 本稿では,学習パラダイム,事前学習,モデリングアプローチ,復号化,各分野における重要な課題について,命令的手法の抽象化を提案する。
  論文  参考訳（メタデータ） (2020-10-14T17:54:42Z)

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。