論文の概要: Less Is Personal: Learning Minimal Sufficient User Profiles for Personalized Language Models

• arxiv url: http://arxiv.org/abs/2609.08180v1
• Date: Tue, 08 Sep 2026 03:09:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.563632
• Title: Less Is Personal: Learning Minimal Sufficient User Profiles for Personalized Language Models
• Title（参考訳）: パーソナライズされた言語モデルのための最小限のユーザプロファイルの学習
• Abstract要約: Enoughは、行動記録を反復的に付加する手法であり、適応長のプロファイルを構築するためにSTOPを出力する。 有効性と効率の両面で、強力で検索の強化されたベースラインをはるかに上回ります。
• 参考スコア（独自算出の注目度）: 77.02066500576528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retrieval-augmented personalization enables large language models to produce more accurate and preference-aligned outputs using relevant records retrieved from user histories. Personalized language models typically prepend a fixed number of retrieved user records, even when additional history is redundant, harmful, or unrelated to a user's distinctive behavior. We study minimal sufficient personalization: constructing the least costly ordered profile for each input while preserving the utility achievable from a retrieved candidate pool. We introduce ENOUGH, a method that iteratively appends behavioral records or emits STOP to construct profiles with adaptive lengths. Offline, bounded counterfactual search evaluates profile prefixes by jointly considering downstream gains, user specificity, and token costs. The resulting long-horizon targets are distilled into a multi-head value controller with explicit ranking and stopping supervision. At inference, the controller selects and orders records through lightweight decisions, and the frozen generator is invoked once after stopping. Extensive experiments on six personalized tasks demonstrate that ENOUGH consistently outperforms strong heuristic and retrieval-augmented baselines in both effectiveness and efficiency, achieving minimal sufficient profiles that preserve personalization utility while reducing unnecessary context costs.
• Abstract（参考訳）: Retrieval-augmented Personalizationにより、大規模言語モデルでは、ユーザ履歴から取得した関連レコードを使用して、より正確で優先的な出力を生成することができる。 パーソナライズされた言語モデルは、通常、追加の履歴が冗長で有害で、ユーザ特有の振る舞いと無関係である場合でも、一定の数のユーザレコードをプリペイドする。 検索した候補プールから取得可能なユーティリティを保存しながら、各入力に対して最もコストのかかるプロファイルを構築し、最小限のパーソナライズについて検討する。 ENOUGHは、行動記録を反復的に付加したり、STOPを出力して、適応長のプロファイルを構築する手法である。 オフラインで有界な逆ファクト検索は、ダウンストリームゲイン、ユーザ特異性、トークンコストを共同で検討することで、プロファイルプレフィックスを評価する。 結果のロングホライゾンターゲットは、明示的なランク付けと監督の停止を伴うマルチヘッド値コントローラに蒸留される。 推論時に、コントローラは軽量な決定によってレコードを選択して注文し、凍結したジェネレータは停止後一度呼び出される。 6つのパーソナライズされたタスクに対する大規模な実験により、ENOUGHは、有効性と効率の両方において、強いヒューリスティックおよび検索強化ベースラインを一貫して上回り、パーソナライズユーティリティを維持できる最小限のプロファイルを達成し、不要なコンテキストコストを低減した。

関連論文リスト

• RECAP: Feedback-Driven Streaming Semantic User Profiles for Short-Video Recommendation [74.86562505934961]
  言語ベースのユーザプロファイルは、長い行動履歴をレコメンデーションのために明示的な意味表現に変換する。 そこでは,ストリームやプロファイルの更新を限定的に行うことで,ユーザの行動が継続的に到着する,実世界のショートビデオレコメンデーションにおいて,この問題について検討する。 本稿では,ストリーミング構造化されたセマンティックプロファイルを過去のレコメンデーションフィードバックで最適化するためのオフラインクローズドループフレームワークRECAPを提案する。
  論文  参考訳（メタデータ） (2026-07-17T08:10:37Z)
• Beyond Retrieval: Learning Compact User Representations for Scalable LLM Personalization [9.496320762102252]
  ユーザの好みを学習可能な表現としてエンコードするフレームワークであるTAP-PERを提案する。 6つのLaMPタスクの実験では、TAP-PERはプロンプトベースとモデルベースベースラインを一貫して上回っている。 TAP-PERはユーザ毎のパラメータをOPPUの130倍少なくし、PER-PCSの総パラメータフットプリントの約半分をユーザスケールで使用している。
  論文  参考訳（メタデータ） (2026-06-03T07:32:18Z)
• 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)
• 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)
• ALPBench: A Benchmark for Attribution-level Long-term Personal Behavior Understanding [53.88804678012327]
  ALPBenchは属性レベルの長期的個人行動理解のためのベンチマークである。 ユーザと興味のある属性の組み合わせを予測し、基幹構造評価を可能にする。 ユーザの明示的に表現された要求よりも、長期的な歴史的行動の好みをモデル化する。
  論文  参考訳（メタデータ） (2026-02-03T03:32:16Z)
• Towards Effective Model Editing for LLM Personalization [36.236438676571034]
  我々はパーソナライズをモデル編集タスクとして概念化し、パーソナライズ編集を導入する。 このフレームワークは、クラスタ化された選好表現によってガイドされる局所的な編集を適用する。 微調整よりも高い編集精度と計算効率を実現する。
  論文  参考訳（メタデータ） (2025-12-15T18:58:15Z)
• Temporal User Profiling with LLMs: Balancing Short-Term and Long-Term Preferences for Recommendations [3.719862246745416]
  本稿では,短期および長期の嗜好を明示的にモデル化するユーザプロファイリング手法を提案する。 LLM-TUPは、いくつかのベースラインに対して大幅に改善されている。
  論文  参考訳（メタデータ） (2025-08-11T20:28:24Z)
• PrLM: Learning Explicit Reasoning for Personalized RAG via Contrastive Reward Optimization [4.624026598342624]
  検索したユーザプロファイルを明示的に推論するために,LLMをトレーニングする強化学習フレームワークであるPrLMを提案する。 PrLMは、注釈付き推論パスを必要とせずに、ユーザの応答から効果的に学習する。 3つのパーソナライズされたテキスト生成データセットの実験は、PrLMが既存の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-08-10T13:37:26Z)
• Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
  ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。 構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。 また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-04T01:46:49Z)
• Bridging Personalization and Control in Scientific Personalized Search [53.7152408217116]
  本研究では、パーソナライズされたランキングを積極的に制御できるパーソナライズされた検索モデルを提案する。 我々のモデルであるCtrlCEは、ユーザの過去のインタラクションから構築された編集可能なメモリを付加した、新しいクロスエンコーダモデルである。
  論文  参考訳（メタデータ） (2024-11-05T03:55:25Z)
• Integrating Summarization and Retrieval for Enhanced Personalization via Large Language Models [11.950478880423733]
  パーソナライゼーションは自然言語処理(NLP)システムにおけるユーザエクスペリエンスにおいて重要な要素である。 LLM(Large Language Models)の出現によって、重要な疑問は、これらのモデルを使ってユーザエクスペリエンスをよりパーソナライズする方法である。 LLMが生成するタスク対応ユーザ要約を用いた,新しい要約型パーソナライゼーションを提案する。
  論文  参考訳（メタデータ） (2023-10-30T23:40:41Z)

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。