論文の概要: A Framework for Lightweight Responsible Prompting Recommendation

• arxiv url: http://arxiv.org/abs/2504.08757v1
• Date: Sat, 29 Mar 2025 13:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-20 06:04:30.300755
• Title: A Framework for Lightweight Responsible Prompting Recommendation
• Title（参考訳）: 軽量対応型プロンプティング・レコメンデーションのためのフレームワーク
• Authors: Tiago Machado, Sara E. Berger, Cassia Sanctos, Vagner Figueiredo de Santana, Lemara Williams, Zhaoqing Wu,
• Abstract要約: この作業では、GenAIにプロンプトが送られる前に、リコメンデーションを追加する責任を負うための軽量フレームワークを提案する。 1)レコメンデーションのための人為的なデータセット、(2)レコメンデーションを評価するレッドチームデータセット、(3)セマンティクスマッピングのための文変換器、(4)レコメンデーションへのインプットプロンプトをマップする類似度メトリック、(5)一連の類似度閾値、(6)量子化された文埋め込み、(7)レコメンデーションエンジン、(8)レッドチームデータセットを使用する評価ステップからなる。
• 参考スコア（独自算出の注目度）: 1.6163129903911515
• License:
• Abstract: Computer Science and Design practitioners have been researching and proposing alternatives for a dearth of recommendations, standards, or best practices in user interfaces for decades. Now, with the advent of generative Artificial Intelligence (GenAI), we have yet again an emerging, powerful technology that lacks sufficient guidance in terms of possible interactions, inputs, and outcomes. In this context, this work proposes a lightweight framework for responsible prompting recommendation to be added before the prompt is sent to GenAI. The framework is comprised of (1) a human-curated dataset for recommendations, (2) a red team dataset for assessing recommendations, (3) a sentence transformer for semantics mapping, (4) a similarity metric to map input prompt to recommendations, (5) a set of similarity thresholds, (6) quantized sentence embeddings, (7) a recommendation engine, and (8) an evaluation step to use the red team dataset. With the proposed framework and open-source system, the contributions presented can be applied in multiple contexts where end-users can benefit from guidance for interacting with GenAI in a more responsible way, recommending positive values to be added and harmful sentences to be removed.
• Abstract（参考訳）: コンピュータサイエンスとデザインの実践者たちは、何十年もの間、ユーザーインターフェイスにおける推奨事項、基準、ベストプラクティスに関する代替案を研究し、提案してきた。 現在、生成的人工知能(GenAI)の出現とともに、私たちはまた、対話、入力、結果に関する十分なガイダンスを欠いている、新しくて強力なテクノロジーを復活させています。 この文脈では、GenAIにプロンプトが送られる前に、リコメンデーションを追加する責任を負うための軽量なフレームワークを提案する。 1)レコメンデーションのための人為的なデータセット、(2)レコメンデーションを評価するレッドチームデータセット、(3)セマンティクスマッピングのための文変換器、(4)レコメンデーションへのインプットプロンプトをマップする類似度メトリック、(5)一連の類似度閾値、(6)量子化された文埋め込み、(7)レコメンデーションエンジン、(8)レッドチームデータセットを使用する評価ステップからなる。 提案されたフレームワークとオープンソースシステムにより、提案されたコントリビューションは、より責任のある方法でGenAIと対話するためのガイダンスや、追加すべき肯定的な値、有害な文の削除といった、複数のコンテキストに適用することができる。

関連論文リスト

• Generative Recommender with End-to-End Learnable Item Tokenization [51.82768744368208]
  ETEGRecは、アイテムのトークン化と生成的レコメンデーションを結合的なフレームワークに統合する、新しいEnd-to-End Generative Recommenderである。 ETEGRecはデュアルエンコーダ-デコーダアーキテクチャ上に構築されており、アイテムトークン化器と生成推奨器で構成されている。 我々は、フレームワーク全体の安定的で効率的なエンドツーエンドトレーニングを保証するために、交互に最適化する手法を開発した。
  論文  参考訳（メタデータ） (2024-09-09T12:11:53Z)
• Neural Contextual Bandits for Personalized Recommendation [49.85090929163639]
  本チュートリアルでは、パーソナライズされたレコメンデーションのための強力なフレームワークとして、コンテキスト帯について検討する。 我々は、リコメンデーターシステムにおける「マシュー効果」を緩和するために、文脈的盗賊の探索的視点に焦点を当てる。 従来の線形文脈包帯に加えて、我々は神経文脈包帯にも焦点をあてる。
  論文  参考訳（メタデータ） (2023-12-21T17:03:26Z)
• AUGUST: an Automatic Generation Understudy for Synthesizing Conversational Recommendation Datasets [56.052803235932686]
  本稿では,大規模かつ高品質なレコメンデーションダイアログを生成する新しい自動データセット合成手法を提案する。 i)従来のレコメンデーションデータセットからの豊富なパーソナライズされたユーザプロファイル、(ii)知識グラフからの豊富な外部知識、(iii)人間対人間会話レコメンデーションデータセットに含まれる会話能力。
  論文  参考訳（メタデータ） (2023-06-16T05:27:14Z)
• Recommending with Recommendations [1.1602089225841632]
  レコメンデーションシステムは、しばしば予測を行う際に敏感なユーザー情報を引き出す。 既存のサービスからのレコメンデーションに基づいて、サービスのレコメンデーションエンジンを基盤にすることで、この障害に対処する方法を示します。 我々の設定では、ユーザの(潜在的に敏感な)情報は高次元の潜在空間に属します。
  論文  参考訳（メタデータ） (2021-12-02T04:30:15Z)
• Recent Advances in Heterogeneous Relation Learning for Recommendation [5.390295867837705]
  異種関係学習に焦点を当てたレコメンデーションフレームワークの開発について概説する。 このタスクの目的は、不均一な関係データを潜在表現空間にマッピングすることである。 本稿では,行列分解,注意機構,グラフニューラルネットワークなど,各カテゴリの学習手法について論じる。
  論文  参考訳（メタデータ） (2021-10-07T13:32:04Z)
• A Survey on Neural Recommendation: From Collaborative Filtering to Content and Context Enriched Recommendation [70.69134448863483]
  レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。 近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
  論文  参考訳（メタデータ） (2021-04-27T08:03:52Z)
• INSPIRED: Toward Sociable Recommendation Dialog Systems [51.1063713492648]
  レコメンデーションダイアログでは、人間は通常自分の好みを開示し、友好的な方法でレコメンデーションを行う。 本稿では,映画レコメンデーションのための1,001人の人間-人間ダイアログのデータセットを提案する。 分析の結果,個人意見の共有や励ましとのコミュニケーションといった社会的レコメンデーション戦略が,より頻繁に実施されることが示唆された。
  論文  参考訳（メタデータ） (2020-09-29T21:03:44Z)
• Reward Constrained Interactive Recommendation with Natural Language Feedback [158.8095688415973]
  制約強化強化学習(RL)フレームワークを提案する。 具体的には,ユーザの過去の嗜好に反するレコメンデーションを検出するために,識別器を利用する。 提案するフレームワークは汎用的であり,制約付きテキスト生成のタスクにさらに拡張されている。
  論文  参考訳（メタデータ） (2020-05-04T16:23:34Z)

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。