論文の概要: Prompt Segmentation and Annotation Optimisation: Controlling LLM Behaviour via Optimised Segment-Level Annotations

• arxiv url: http://arxiv.org/abs/2605.14561v1
• Date: Thu, 14 May 2026 08:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.723404
• Title: Prompt Segmentation and Annotation Optimisation: Controlling LLM Behaviour via Optimised Segment-Level Annotations
• Title（参考訳）: プロンプトセグメンテーションとアノテーション最適化:最適化セグメンテーションレベルアノテーションによるLCMビヘイビア制御
• Authors: Devika Prasad, Luke Gerschwitz, Tong Li, Henry Xiao, Anjin Liu, Coco Wu, Anna Leontjeva, Luiz Pizzato,
• Abstract要約: 本稿では、制御性と効率性を改善するために、構造化されたプロンプト最適化フレームワークであるPrompt and optimisation (PSAO)を紹介する。 PSAOは、プロンプトを解釈可能なセグメント(例:文)に分解し、それぞれが可読なアノテーションで拡張する。 これらのアノテーションは、大きな言語モデル(LLM)に焦点を割り当て、応答生成時の混乱を明確にする。
• 参考スコア（独自算出の注目度）: 4.8833129337074626
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Prompt engineering is crucial for effective interaction with generative artificial intelligence systems, yet existing optimisation methods often operate over an unstructured and vast prompt space, leading to high computational costs and potential distortions of the original intent. We introduce Prompt Segmentation and Annotation Optimisation (PSAO), a structured prompt optimisation framework designed to improve prompt optimisation controllability and efficiency. PSAO decomposes a prompt into interpretable segments (e.g., sentences) and augments each with human-readable annotations (e.g., {not important}, {important}, {very important}). These annotations guide large language models (LLMs) in allocating focus and clarifying confusion during response generation. We formally define the segmentations and annotations and demonstrate that optimised segment-level annotations can lead to improved LLM responses, with the original prompt retained as a candidate in the optimisation space to prevent performance degradation. Empirical evaluations indicate that PSAO benefits from annotations in terms of improved reasoning accuracy and self-consistency. However, developing efficient methods for identifying optimal segmentations and annotations remains challenging and is reserved for future investigation. This work is intended as a proof of concept, demonstrating the feasibility and potential of segment-level annotation optimisation.
• Abstract（参考訳）: プロンプトエンジニアリングは、生成的人工知能システムとの効果的な相互作用に不可欠であるが、既存の最適化手法は、しばしば非構造的で広大なプロンプト空間上で動作し、計算コストと元の意図の潜在的な歪みをもたらす。 本稿では,PSAO(Prompt Segmentation and Annotation Optimisation)について紹介する。 PSAOは、プロンプトを解釈可能なセグメント(例:文)に分解し、それぞれが可読なアノテーション(例: {not important}, {important}, {very important})で拡張する。 これらのアノテーションは、大きな言語モデル(LLM)に焦点を割り当て、応答生成時の混乱を明確にする。 セグメンテーションとアノテーションを正式に定義し、最適化されたセグメンテーションレベルのアノテーションがLLM応答の改善につながることを示す。 経験的評価は、PSAOは推論精度と自己整合性の改善の観点からアノテーションの恩恵を受けていることを示している。 しかし, 最適セグメンテーションとアノテーションを同定する効率的な手法の開発は依然として困難であり, 今後の研究に留意すべきである。 この研究は概念実証として意図され、セグメントレベルのアノテーション最適化の実現可能性と可能性を示している。

関連論文リスト

• Joint Semantic Token Selection and Prompt Optimization for Interpretable Prompt Learning [57.91658393667469]
  Interpretable Prompt Learningは、個別の意味トークンの選択と連続的なプロンプト最適化を交互に行うハイブリッドフレームワークである。 我々のフレームワークはプラグイン・アンド・プレイであり、既存の即興学習手法とシームレスに統合できる。
  論文  参考訳（メタデータ） (2026-05-06T02:38:59Z)
• Segment-Aligned Policy Optimization for Multi-Modal Reasoning [55.29606572822562]
  本稿では、トークンや全シーケンスではなく、一貫性のある推論ステップをポリシー更新の基本単位として扱う新しい強化学習パラダイムを提案する。 代表的な推論ベンチマークの実験は、SAPOがトークンレベルおよびシーケンスレベルポリシー最適化手法を一貫して上回っていることを示している。 我々の研究は、強化学習の更新を推論の構造と整合させることの重要性を強調し、複雑な推論タスクにおけるより効率的でセマンティックに根ざした政策最適化の道を開く。
  論文  参考訳（メタデータ） (2026-05-02T08:47:45Z)
• Automatic Prompt Optimization for Dataset-Level Feature Discovery [38.37728428959515]
  特徴発見をデータセットレベルのプロンプト最適化問題として定式化する。 本稿では,言語モデルエージェントが特徴定義を共同で提案し,特徴値を抽出し,特徴品質を評価するマルチエージェントプロンプト最適化フレームワークを提案する。 この定式化は、サンプルごとの監督に依存し、非構造化テキストからの自動特徴発見のための原則化されたメカニズムを提供する、事前のプロンプト最適化手法から逸脱する。
  論文  参考訳（メタデータ） (2026-01-20T12:51:03Z)
• AURORA: Augmented Understanding via Structured Reasoning and Reinforcement Learning for Reference Audio-Visual Segmentation [113.75682363364004]
  AURORAは、参照音声視覚セグメント化における真の推論と言語理解を強化するために設計されたフレームワークである。 AURORAはRef-AVSベンチマークの最先端性能を達成し、非参照セグメンテーションに効果的に一般化する。
  論文  参考訳（メタデータ） (2025-08-04T07:47:38Z)
• POPEN: Preference-Based Optimization and Ensemble for LVLM-Based Reasoning Segmentation [8.946389785502861]
  既存のLVLMベースの推論セグメンテーション手法は、しばしば不正確なセグメンテーション結果とテキスト応答の幻覚に悩まされる。 本稿では、これらの問題に対処し、改善された結果を達成するために設計された新しいフレームワークであるPOPENを紹介する。
  論文  参考訳（メタデータ） (2025-04-01T10:51:01Z)
• In-context Demonstration Matters: On Prompt Optimization for Pseudo-Supervision Refinement [71.60563181678323]
  大規模言語モデル(LLM)は様々なタスクで大きな成功を収めており、生成品質をさらに向上させるためには微調整が必要である場合もある。 これらの課題に対処する直接的な解決策は、教師なしの下流タスクから高信頼のデータを生成することである。 本稿では,プロンプトと全体的な擬似スーパービジョンを両立させる新しい手法,擬似教師付きデモアライメント・アライメント・アライメント・プロンプト・最適化(PAPO)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-04T03:39:28Z)
• P-NOC: adversarial training of CAM generating networks for robust weakly supervised semantic segmentation priors [1.78761445544895]
  Wakly Supervised Semantic (WSSS)技術は、クラス活性化マップ(CAM)を洗練するための個別の正規化戦略を探索する P-NOCとCCAM-Hの2つの新しい手法を考案した。 まず,2つの対向CAM生成ネットワークのコンジョイントトレーニングを推進した。 後者では、P-NOCが生み出した高品質な擬似セグメンテーションの先駆的手法を用いて、弱教師付き方式で学習をサラリティー情報に導く。
  論文  参考訳（メタデータ） (2023-05-21T17:46:28Z)
• FineDiving: A Fine-grained Dataset for Procedure-aware Action Quality Assessment [93.09267863425492]
  競争力のあるスポーツビデオにおける行動の高レベル意味論と内部時間構造の両方を理解することが、予測を正確かつ解釈可能なものにする鍵である、と我々は主張する。 本研究では,多様なダイビングイベントに対して,アクションプロシージャに関する詳細なアノテーションを付加した,ファインディビングと呼ばれる詳細なデータセットを構築した。
  論文  参考訳（メタデータ） (2022-04-07T17:59:32Z)

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。