論文の概要: Group Preference Collapse in Personalized Multimodal Large Language Models

• arxiv url: http://arxiv.org/abs/2607.22603v1
• Date: Fri, 12 Jun 2026 16:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.132926
• Title: Group Preference Collapse in Personalized Multimodal Large Language Models
• Title（参考訳）: パーソナライズされたマルチモーダル大言語モデルにおけるグループ優先の崩壊
• Abstract要約: PrefMoEは、プロファイル情報を好みに関連する表現から分離する、嗜好中心のフレームワークである。 実験により、PrefMoEは好みに敏感なパーソナライゼーションを改善するとともに、好みの崩壊を著しく低減することが示された。
• 参考スコア（独自算出の注目度）: 28.64592843296862
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized multimodal large language models (MLLMs) aim to generate user-specific responses, but existing methods mainly rely on profile-level information and overlook diverse user preferences. We identify group preference collapse, where multi-user personalized MLLMs become insensitive to individual preferences and drift toward dominant population-level choices due to suppressed preference signals and unreliable preference use during generation. We propose PrefMoE, a preference-centric framework that separates stable profile information from preference-related representations. PrefMoE decomposes preferences into shared prototypes and personalized residuals, preserves individualized residuals with imbalance-aware learning, counterfactual pseudo-user augmentation, and residual decorrelation, and routes profile and preference factors through separate LoRA adaptation paths. Experiments across multiple MLLM backbones show that PrefMoE improves preference-sensitive personalization while substantially reducing preference collapse. Project page: https://prefmoe.github.io/.
• Abstract（参考訳）: パーソナライズされたマルチモーダル大言語モデル(MLLM)は,ユーザ固有の応答を生成することを目的としている。 マルチユーザパーソナライズされたMLLMが個人の嗜好に敏感になり、世代ごとの選好信号の抑制と信頼できない選好使用により、集団選好に傾倒するグループ選好崩壊を同定する。 PrefMoEは、安定なプロファイル情報を嗜好関連表現から分離する、嗜好中心のフレームワークである。 PrefMoEは、好みを共有プロトタイプとパーソナライズされた残留物に分解し、不均衡を意識した学習、偽ユーザ増強、残留デコレーションで個別化された残留物を保存し、別々のLoRA適応パスを通じてプロファイルと選好因子をルーティングする。 複数のMLLMバックボーンにまたがる実験により、PrefMoEは好みに敏感なパーソナライゼーションを改善しつつ、好みの崩壊を著しく低減することが示された。 プロジェクトページ: https://prefmoe.github.io/.com

関連論文リスト

• VIBE-Bench: Evaluating Personalized Large Language Models When Profiles Don't Mean Preferences [40.195544693657396]
  既存のベンチマークでは、セマンティックな歴史から好みを検索できると推定されている。 我々は、未調査だが実際は重要な制度であるプロファイル参照概念の誤りについて研究する。 心理学的な2つのタスクと12,239の対話を備えたベンチマークであるVIBE-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-09-01T08:45:28Z)
• Premier: Personalized Preference Modulation with Learnable User Embedding in Text-to-Image Generation [67.23759365022279]
  パーソナライズされた画像生成のための新しい嗜好調整フレームワークであるPremierを提案する。 Premierは、各ユーザの好みを学習可能な埋め込みとして表現し、テキストプロンプトに埋め込まれたユーザを融合させる好みアダプタを導入する。 実験により、Premierは、同じ履歴長で以前の方法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-21T09:19:12Z)
• Synthetic Interaction Data for Scalable Personalization in Large Language Models [67.31884245564086]
  本稿ではPersonaGymという高忠実な合成データ生成フレームワークを紹介する。 パーソナライゼーションを静的なペルソナ-参照ペアとして扱う以前の作業とは異なり、PersonaGymは動的な選好プロセスをモデル化する。 我々は,高忠実度マルチターンパーソナライズされたインタラクショントラジェクトリの大規模かつ高品質で多様な合成データセットであるPersonaAtlasをリリースする。
  論文  参考訳（メタデータ） (2026-02-12T20:41:22Z)
• Can LLMs Discern the Traits Influencing Your Preferences? Evaluating Personality-Driven Preference Alignment in LLMs [10.04942779683801]
  選好文の背景にある「ラテント」信号としてパーソナリティを研究する。 パーソナライズされた嗜好の条件付けは、パーソナライズされた質問応答を大幅に改善する。 本稿では,LLMモデルを用いて人格に適合した好みを自動検索し,回答生成時に組み込むフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-06T20:37:02Z)
• NextQuill: Causal Preference Modeling for Enhancing LLM Personalization [82.15961484963256]
  因果選好モデルに基づく新しいパーソナライズフレームワークであるNextQuillを紹介する。 この洞察に基づいて、NextQuillは2つの補完的なアライメント戦略を導入した。 複数のパーソナライズベンチマークの実験により、NextQuillはパーソナライズ品質を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-06-03T02:08:55Z)
• HyPerAlign: Interpretable Personalized LLM Alignment via Hypothesis Generation [24.67727411391369]
  HyPerAlignは、大規模言語モデルに対する解釈可能かつサンプル効率の仮説駆動パーソナライズアプローチである。 我々は2つの異なるパーソナライズタスク、すなわち著者帰属と熟考的アライメントについて実験を行った。 その結果、仮説駆動型パーソナライゼーションの方が好みに基づく微調整法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-29T18:01:46Z)
• Personalized Preference Fine-tuning of Diffusion Models [75.22218338096316]
  拡散モデルとパーソナライズされた嗜好を整合させるマルチリワード最適化の目的であるPDを導入する。 PPDでは、拡散モデルがユーザーの個人の好みを数秒で学習する。 提案手法は,Stable Cascadeに対して平均76%の勝利率を達成し,特定のユーザの好みをより正確に反映した画像を生成する。
  論文  参考訳（メタデータ） (2025-01-11T22:38:41Z)
• Few-shot Steerable Alignment: Adapting Rewards and LLM Policies with Neural Processes [50.544186914115045]
  大きな言語モデル(LLM)は、日々のアプリケーションにますます組み込まれています。 個人ユーザの多様な嗜好との整合性を確保することは、重要な課題となっている。 数発のステアライメントのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T16:14:59Z)
• ComPO: Community Preferences for Language Model Personalization [122.54846260663922]
  ComPOは、言語モデルにおける好みの最適化をパーソナライズする手法である。 ComPRedはRedditからコミュニティレベルの好みを持った質問応答データセットです。
  論文  参考訳（メタデータ） (2024-10-21T14:02:40Z)

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。