論文の概要: AdaptFuse: Training-Free Sequential Preference Learning via Externalized Bayesian Inference
- arxiv url: http://arxiv.org/abs/2604.03925v1
- Date: Sun, 05 Apr 2026 01:35:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.836845
- Title: AdaptFuse: Training-Free Sequential Preference Learning via Externalized Bayesian Inference
- Title（参考訳）: AdaptFuse:外部ベイズ推論による学習不要なシーケンス推論学習
- Authors: Fangzhou Lin, Peiran Li, Shuo Xing, Siyuan Yang, Qianwen Ge, Kazunori Yamada, Ziming Zhang, Haichong Zhang, Zhengzhong Tu,
- Abstract要約: 既存のソリューションでは、機密性の高いユーザーインタラクションデータを微調整する必要がある。
本稿では,LLM の原理的確率計算を外部化する,トレーニング不要なフレームワーク AdaptFuse を提案する。
本稿では,フライトレコメンデーション,ホテルレコメンデーション,Webショッピングの3分野にわたるAdaptFuseを評価する。
- 参考スコア（独自算出の注目度）: 24.596125996494717
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Large language models struggle to accumulate evidence across multiple rounds of user interaction, failing to update their beliefs in a manner consistent with Bayesian inference. Existing solutions require fine-tuning on sensitive user interaction data, limiting their applicability in privacy-conscious settings. We propose AdaptFuse, a training-free framework that externalizes probabilistic computation entirely from the LLM: a symbolic module maintains a Bayesian posterior over a discrete hypothesis set, while a frozen LLM contributes semantic reasoning via multi-sample Dirichlet aggregation. The two signals are combined through entropy-adaptive fusion, which automatically weights each source by its predictive confidence, shifting reliance from the LLM to the symbolic posterior as evidence accumulates. We evaluate across three domains: flight recommendation, hotel recommendation, and web shopping; on Gemma 2 9B, Llama 3 8B, and Qwen 2.5 7B. AdaptFuse consistently outperforms both prompting baselines and fine-tuned Bayesian Teaching models on all tasks, with accuracy improving monotonically over interaction rounds. These results demonstrate that principled inference-time algorithms can substitute for fine-tuning in personalized recommendation, without storing or training on sensitive user data. All the code and materials will be open-sourced.
- Abstract（参考訳）: 大規模な言語モデルは、複数のユーザーインタラクションのラウンドにまたがって証拠を蓄積するのに苦労し、ベイジアン推論と整合した方法で彼らの信念を更新することができない。
既存のソリューションでは、機密性の高いユーザーインタラクションデータを微調整し、プライバシに配慮した設定で適用性を制限する必要がある。
本稿では,確率計算を完全に LLM から外挿するトレーニングフリーフレームワークであるAdaptFuse を提案する。シンボルモジュールは離散仮説集合上でベイズ的後続を維持でき,凍結LDM はマルチサンプルディリクレアグリゲーションを通じて意味論的推論に寄与する。
この2つの信号はエントロピー適応核融合(英語版)によって結合され、それぞれのソースを予測的信頼によって自動的に重み付けし、証拠が蓄積されるにつれてLSMからシンボル後部への依存をシフトさせる。
フライトレコメンデーション,ホテルレコメンデーション,Webショッピング,Gemma 2 9B,Llama 3 8B,Qwen 2.5 7Bの3つの領域で評価を行った。
AdaptFuseは、すべてのタスクにおいてベースラインと微調整されたベイズ教育モデルの両方を継続的に上回り、インタラクションラウンドよりも単調に改善している。
これらの結果から,プライマリなユーザデータの保存やトレーニングを行うことなく,パーソナライズされたレコメンデーションの微調整に代えて,原則的推論時アルゴリズムを適用できることが示唆された。
すべてのコードと資料がオープンソース化される。
関連論文リスト
- Empowering Contrastive Federated Sequential Recommendation with LLMs [13.016120865205258]
フェデレートシーケンシャルレコメンデーション(FedSeqRec)は、ユーザのデータを分散化しながら、次のイテム予測を実行することを目的としている。
パラメータ分離型FedSeqRecアーキテクチャである textbfLUMOS を提案する。
論文 参考訳（メタデータ） (2026-02-10T00:47:43Z) - Lightweight Inference-Time Personalization for Frozen Knowledge Graph Embeddings [0.0]
GatedBiasは知識グラフのための軽量な推論時パーソナライズフレームワークである。
プロファイル固有の機能は、グラフ由来のバイナリゲートと組み合わせて、解釈可能な、パーエンタリティバイアスを生成する。
2つのベンチマークデータセット上でGatedBiasを評価する。
論文 参考訳（メタデータ） (2025-12-26T22:30:37Z) - Fidelity-Aware Recommendation Explanations via Stochastic Path Integration [14.312396553281316]
説明の正確さは、モデルの真の推論をいかに正確に反映しているかを測るが、レコメンデーションシステムでは重要な過小評価が残されている。
本稿では,SPINRecを提案する。SPINRecはモデルに依存しない手法で,経路積分の手法を推薦データのスパースで暗黙的な性質に適応させる手法である。
SPINRecは、すべてのベースラインを一貫して上回り、推奨の忠実な説明可能性のための新しいベンチマークを確立している。
論文 参考訳（メタデータ） (2025-11-22T12:59:04Z) - Composable Cross-prompt Essay Scoring by Merging Models [7.5702468122067685]
クロスプロンプト自動エッセイは、典型的にはすべてのソースプロンプトで共同でモデルを訓練する。
本稿では、データセットの代わりに個別に訓練されたソースモデルのパラメータを選択的にマージする、ソースフリー適応手法を提案する。
論文 参考訳（メタデータ） (2025-05-24T06:28:21Z) - Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。
従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。
Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
論文 参考訳（メタデータ） (2024-03-11T06:56:08Z) - Amortizing intractable inference in large language models [56.92471123778389]
難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。
我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。
重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
論文 参考訳（メタデータ） (2023-10-06T16:36:08Z) - Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。
FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。
PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-05-01T20:04:46Z) - In all LikelihoodS: How to Reliably Select Pseudo-Labeled Data for
Self-Training in Semi-Supervised Learning [0.0]
自己学習は、半教師あり学習においてシンプルだが効果的な方法である。
本稿では,PSSをより堅牢にモデル化する手法を提案する。
結果は、特にロバスト性 w.r.t. モデル選択がかなりの精度の向上をもたらすことを示唆している。
論文 参考訳（メタデータ） (2023-03-02T10:00:37Z) - Beyond ADMM: A Unified Client-variance-reduced Adaptive Federated
Learning Framework [82.36466358313025]
我々はFedVRAと呼ばれる原始二重FLアルゴリズムを提案し、このアルゴリズムはグローバルモデルの分散還元レベルとバイアスを適応的に制御することができる。
半教師付き画像分類タスクに基づく実験は,既存の手法よりもFedVRAの方が優れていることを示す。
論文 参考訳（メタデータ） (2022-12-03T03:27:51Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。