論文の概要: Beyond Static Personas: Situational Personality Steering for Large Language Models

• arxiv url: http://arxiv.org/abs/2604.13846v3
• Date: Fri, 17 Apr 2026 08:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 13:38:49.374485
• Title: Beyond Static Personas: Situational Personality Steering for Large Language Models
• Title（参考訳）: 静的ペルソナを超えて:大規模言語モデルのための状況的パーソナリティステアリング
• Authors: Zesheng Wei, Mengxiang Li, Zilei Wang, Yang Deng,
• Abstract要約: IRIS(Identify-Retrieve-Steer framework for Advanced situational personality steering)を提案する。 本手法は, 状況認識型ニューロン識別, 状況認識型ニューロン検索, 類似性重み付けによるステアリングを含む。 我々は、パーソナリティベンチの枠組みと、包括的状況パーソナリティベンチマークであるSPBenchを実証的に検証した。
• 参考スコア（独自算出の注目度）: 52.33369223308941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized Large Language Models (LLMs) facilitate more natural, human-like interactions in human-centric applications. However, existing personalization methods are constrained by limited controllability and high resource demands. Furthermore, their reliance on static personality modeling restricts adaptability across varying situations. To address these limitations, we first demonstrate the existence of situation-dependency and consistent situation-behavior patterns within LLM personalities through a multi-perspective analysis of persona neurons. Building on these insights, we propose IRIS, a training-free, neuron-based Identify-Retrieve-Steer framework for advanced situational personality steering. Our approach comprises situational persona neuron identification, situation-aware neuron retrieval, and similarity-weighted steering. We empirically validate our framework on PersonalityBench and our newly introduced SPBench, a comprehensive situational personality benchmark. Experimental results show that our method surpasses best-performing baselines, demonstrating IRIS's generalization and robustness to complex, unseen situations and different models architecture.
• Abstract（参考訳）: パーソナライズされた大規模言語モデル(LLM)は、人間中心のアプリケーションにおいて、より自然な人間のような相互作用を促進する。 しかし、既存のパーソナライズ手法は、制限された制御性と高いリソース要求によって制約されている。 さらに、静的パーソナリティモデリングへの依存は、様々な状況における適応性を制限する。 これらの制約に対処するために、まず、ペルソナニューロンの多視点的解析を通して、LLM個人性における状況依存性と一貫した状況行動パターンの存在を実証する。 これらの知見に基づいて、我々は、高度状況人格管理のためのトレーニングフリーでニューロンベースのIdentify-Retrieve-SteerフレームワークであるIRISを提案する。 本手法は, 状況認識型ニューロン識別, 状況認識型ニューロン検索, 類似性重み付けによるステアリングを含む。 我々は、パーソナリティベンチの枠組みと、包括的状況パーソナリティベンチマークであるSPBenchを実証的に検証した。 実験の結果,本手法は,IRISの一般化と,複雑で目に見えない状況と異なるモデルアーキテクチャに対する堅牢性を実証し,最高の性能のベースラインを超えることを示した。

関連論文リスト

• Experiences Build Characters: The Linguistic Origins and Functional Impact of LLM Personality [10.56924140369377]
  本研究は、教師なしの方法でモデルをドメイン固有のテキストに公開するために、継続事前学習を採用する。 モデル変異の性格特性を定量化し,それらの言語的スタイルと推論行動との関係を解析する。 この結果は、モデル能力がバイモーダルであり、"Expressive Generalists" と "Suppressed Specialists" がピークであることを示している。
  論文  参考訳（メタデータ） (2026-03-06T09:42:41Z)
• Structured Personality Control and Adaptation for LLM Agents [11.050618253938126]
  大規模言語モデル(LLM)は、ますますヒトとコンピュータの相互作用(HCI)を形作っている ユング心理学的タイプを用いたLLMパーソナリティをモデル化する枠組みを提案する。 この設計により、エージェントは対話要求に応じて動的に調整しながらニュアンス付き特性を維持することができる。
  論文  参考訳（メタデータ） (2026-01-15T03:15:24Z)
• PTCBENCH: Benchmarking Contextual Stability of Personality Traits in LLM Systems [30.449659477704543]
  制御状況下での大規模言語モデル(LLM)の一貫性を定量化するベンチマークであるPTCBENCHを紹介する。 PTCBENCHは、様々な場所のコンテキストやライフイベントにまたがる12の異なる外部条件をモデル化し、NEO Five-Factor Inventoryを用いてその性格を厳格に評価する。 39,240人の性格特性記録について検討したところ、ある外部シナリオがLSMの顕著な性格変化を誘発し、その推論能力を変化させることが判明した。
  論文  参考訳（メタデータ） (2026-01-12T18:15:50Z)
• Neuron-based Personality Trait Induction in Large Language Models [115.08894603023712]
  大規模言語モデル (LLM) は、様々な性格特性をシミュレートする能力が増している。 LLMにおけるパーソナリティ特性誘導のためのニューロンに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-16T07:47:45Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)

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。