論文の概要: LATTE: Forecasting Peer Anchored Preference Trajectories for Personalized LLM Generation

• arxiv url: http://arxiv.org/abs/2605.26612v1
• Date: Tue, 26 May 2026 06:50:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.707743
• Title: LATTE: Forecasting Peer Anchored Preference Trajectories for Personalized LLM Generation
• Title（参考訳）: LATTE:パーソナライズされたLLM生成のためのピアアンコレッド選好軌道予測
• Authors: Jinze Li, Xiaoyan Yang, Shuo Yang, Jinfeng Xu, Yue Shen, Jian Wang, Jinjie Gu, Edith Cheuk-Han Ngai,
• Abstract要約: 本稿では、パーソナライゼーションを表すフレームワークであるLATTE(Latent Trajectory Tracking and Extrapolation)を提案する。 LATTEは、検索、要約メモリ、静的潜時プロファイル、差認識潜時プロファイル、ソフトプロンプト圧縮ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 26.684846150915153
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized generation with frozen large language models requires a conditioning signal that is both compact and current. Existing personalization methods typically retrieve or summarize user histories in text, or compress them into static latent profiles and soft prompts. These approaches are efficient, but they treat a user's past behavior as an aggregate profile and therefore mix stable identity, recent drift, and item content in the same representation. We propose LAtent Trajectory Tracking and Extrapolation (LATTE), a framework that represents personalization as forecasting a peer anchored relative preference state. For each historical session, LATTE subtracts a time masked baseline formed from comparable users who responded to the same item, producing a state that measures how the target user differs from peers under a shared item context. A lightweight sequence predictor then forecasts the next state in this trajectory, and a State to Token Bridge injects the forecast into a frozen instruction tuned LLM through a single anchored soft token. We provide a latent factor analysis showing when peer anchoring cancels shared item variation and why temporal forecasting trades off stale averages against noisy recent states. Experiments on Amazon Reviews 2023 and MemoryCD show that LATTE consistently outperforms retrieval, summary memory, static latent profiles, difference aware latent profiles, and soft prompt compression baselines. On Amazon Reviews 2023, LATTE improves average ROUGE-L from 0.219 for a static latent profile and 0.245 for the strongest added latent compression baseline to 0.259. Additional pairwise comparisons and diagnostic analyses suggest that the improvement is mainly due to forecasting user-specific trajectory information, rather than merely adding a soft prompt interface.
• Abstract（参考訳）: 凍結した大きな言語モデルによるパーソナライズされた生成には、コンパクトかつカレントな条件付け信号が必要である。 既存のパーソナライズ手法は、典型的にはテキストでユーザー履歴を検索または要約し、静的な潜在プロファイルとソフトプロンプトに圧縮する。 これらのアプローチは効率的だが、ユーザの過去の振る舞いを集約プロファイルとして扱うため、安定したアイデンティティ、最近のドリフト、アイテムの内容が同じ表現で混在する。 本稿では、パーソナライゼーションを表すフレームワークであるLATTE(Latent Trajectory Tracking and Extrapolation)を提案する。 各歴史的なセッションに対して、LATTEは、同じアイテムに応答した同等のユーザから形成されたタイムマスク付きベースラインを抽出し、共有アイテムコンテキストの下で、ターゲットユーザがピアとどのように異なるかを計測する状態を生成する。 軽量シーケンス予測器は、この軌道の次の状態を予測し、State to Token Bridgeは、単一のアンカーされたソフトトークンを介して、凍結された命令調律LDMに予測を注入する。 我々は、ピアアンカーが共有アイテムの変動をキャンセルした時と、なぜ時相予測がノイズの多い最近の状態から不安定な平均を外すのかを示す潜在要因分析を行う。 Amazon Reviews 2023とMemoryCDの実験によると、LATTEは検索、サマリメモリ、静的潜伏プロファイル、差認識潜伏プロファイル、ソフトプロンプト圧縮ベースラインを一貫して上回っている。 Amazon Reviews 2023では、静的遅延プロファイルでは0.219から平均ROUGE-L、最強の遅延圧縮ベースラインでは0.245から0.259に改善されている。 追加のペアワイズ比較と診断分析により、改善は主に、ソフトプロンプトインターフェースを単に追加するのではなく、ユーザ固有の軌道情報の予測によるものであることが示唆された。

関連論文リスト

• Bridging Textual Profiles and Latent User Embeddings for Personalization [26.383561311860106]
  本稿では,ユーザプロファイルを埋め込み型レコメンデーション目標と統合する強化学習フレームワークBLUEを提案する。 ブルーは、凍結およびトレーニング可能な埋め込み条件下で、強いベースラインを一貫して上回る。 これらの結果から,BLUEはパーソナライズのための識別可能なテキスト・プロファイリングと識別可能な潜在埋め込みを一体化するための効果的な方法であることが示された。
  論文  参考訳（メタデータ） (2026-05-07T21:59:12Z)
• Sparse Personalized Text Generation with Multi-Trajectory Reasoning [95.19317487799292]
  PAT(Personalization with Aligned Trajectories)は、コールドスタートLDMパーソナライズのための推論フレームワークである。 まず、スタイリスティックに類似したユーザからの書き込みスタイルの手がかりと、嗜好に沿ったユーザからのトピック固有のコンテキストの2つの相補的なトラジェクトリに沿って情報を取得する。 次に、強化学習に基づく反復的な二重共振機構を用い、LLMはこれらの信号を共同で洗練し統合することができる。
  論文  参考訳（メタデータ） (2026-04-27T20:58:49Z)
• 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)
• Vectorized Context-Aware Embeddings for GAT-Based Collaborative Filtering [0.0]
  本稿では,Large Language Model (LLM) により拡張されたグラフ注意ネットワーク(GAT)ベースの協調フィルタリングフレームワークについて述べる。 MovieLens 100kと1Mデータセットの実験では、Precision、NDCG、MAPの最先端ベースラインに対して一貫した改善が見られた。 提案手法は,LLMに基づく文脈理解をグラフアーキテクチャに組み込むことで,空間性やコールドスタートの制限を効果的に緩和する。
  論文  参考訳（メタデータ） (2025-10-30T13:07:39Z)
• Conformal Information Pursuit for Interactively Guiding Large Language Models [68.16703423481935]
  本稿では,クエリ数の最小化を目的としたシーケンシャルクエリ戦略について検討する。 そのような戦略の1つは情報探索(IP)であり、各反復で情報ゲインを最大化または同等に不確実性を最小化するクエリを選択する。 本稿では,コンフォーマル情報探索法(C-IP)を提案する。
  論文  参考訳（メタデータ） (2025-07-04T03:55:39Z)
• ShortcutProbe: Probing Prediction Shortcuts for Learning Robust Models [26.544938760265136]
  ディープラーニングモデルは、必然的にターゲットと非本質的な特徴の間の急激な相関を学習する。 本稿では,グループラベルを必要とせず,新たなポストホックスプリアスバイアス緩和フレームワークを提案する。 我々のフレームワークであるShortcutProbeは、与えられたモデルの潜在空間における予測の非破壊性を反映した予測ショートカットを識別する。
  論文  参考訳（メタデータ） (2025-05-20T04:21:17Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。