論文の概要: Breaking Homogeneity: Diversifying Persona Sets for Creative LLM Outputs

• arxiv url: http://arxiv.org/abs/2609.30492v1
• Date: Thu, 24 Sep 2026 19:29:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.120119
• Title: Breaking Homogeneity: Diversifying Persona Sets for Creative LLM Outputs
• Title（参考訳）: 均一性を破る - 創造的LCM出力のためのパーソナセットの多様化
• Abstract要約: 我々は,ペルソナの多様化を条件付け問題として定式化する。 この設計空間を、カバレッジと分散サブセットの選択にまたがる4つの手法でインスタンス化する。 評価は,課題や創造的目標にまたがる提案手法の利点を示す。
• 参考スコア（独自算出の注目度）: 16.268027132525262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Language models often produce homogeneous responses to open-ended tasks; such homogeneity can spawn groupthink-the convergence of ideas toward a singular and potentially suboptimal decision. We formulate persona diversification as a set-level conditioning problem and study two orthogonal design choices: selecting versus generating personas, and space-filling versus frontier-seeking diversity. We instantiate this design space with four methods spanning coverage and dispersion subset selections, uniform-coverage sampling, and evolutionary persona generation. Evaluations on the Alternative Uses Task (AUT), Infinity-Chat, and Divergent Association Task (DAT) show the benefits of the proposed methods across tasks and creativity objectives. On AUT, evolutionary persona generation increases response diversity by 78.8%, originality by 26.1%, flexibility by 49.5%, and holistic creativity by 13.9% over task-only prompting, while maintaining 98.5% validity; on Infinity-Chat, it nearly doubles persona-induced response separation relative to random personas. Moreover, evolutionary personas compose with creativity-optimized prompting, further increasing its response diversity by 18.6% and creativity by 6.3%. These results establish persona-set geometry as a task-agnostic mechanism for eliciting divergent LLM outputs, and support persona diversification as a reusable complement to prompt optimization.
• Abstract（参考訳）: 言語モデルは、しばしばオープンエンドなタスクに対する同質な反応を生じさせ、そのような同質性は、一意的かつ潜在的に最適な決定に対するアイデアの収束をグループ思考に生み出す。 設定条件付き問題としてペルソナの多様化を定式化し, ペルソナの選択と生成, 空間充填とフロンティア探索の2つの直交設計選択について検討する。 このデザイン空間を、カバレッジと分散サブセットの選択、一様カバレッジサンプリング、進化的ペルソナ生成の4つの手法でインスタンス化する。 AUT, Infinity-Chat, Divergent Association Task (DAT) の代替利用課題の評価は,タスクと創造目標をまたいだ提案手法の利点を示している。 AUTでは、進化的ペルソナ生成は78.8%、独創性26.1%、柔軟性49.5%、全体創造性13.9%、タスクのみのプロンプトは98.5%であり、Infinity-Chatでは、ランダムなペルソナに対してペルソナが引き起こした反応分離をほぼ2倍にしている。 さらに、進化的ペルソナは創造性に最適化された促進によって構成され、応答の多様性は18.6%、創造性は6.3%増加する。 これらの結果は,多元性LLM出力を抽出するタスク依存機構としてのペルソナ集合幾何を確立し,即時最適化のための再利用可能な補体としてのペルソナ多様化を支援する。

関連論文リスト

• Beyond the Dirac Delta: Mitigating Diversity Collapse in Reinforcement Fine-Tuning for Versatile Image Generation [51.305316234962554]
  textbfDRIFT(textbfDivetextbfRsity-textbfIncentivized Reinforcement textbfFine-textbfTuning for Versatile Image Generation)を提案する。 DRIFTはタスクアライメントとジェネレーションの多様性に関して優れた優位性を達成し、9.08%!sim! 43.46%$多様性等価アライメントレベルの増加と59.65ドルとなる。
  論文  参考訳（メタデータ） (2026-01-18T13:25:43Z)
• Jointly Reinforcing Diversity and Quality in Language Model Generations [64.72289248044514]
  大規模言語モデル(LM)のポストトレーニングは、しばしば多様性を犠牲にして正確さと役に立つことを優先する。 DARling(Diversity-Aware Reinforcement Learning)は、応答品質とセマンティック多様性を協調的に最適化するフレームワークである。
  論文  参考訳（メタデータ） (2025-09-02T17:38:47Z)
• Diverse, not Short: A Length-Controlled Data Selection Strategy for Improving Response Diversity of Language Models [7.024425397469389]
  我々は、共通の多様性指標、さらには好み最適化に使用される報酬モデル、より短い出力に向けて体系的にバイアスモデルを示す。 長さパリティを維持しながら応答の多様性を向上する長さ制御データ選択戦略であるDiverse, not Short (Diverse-NS)を導入する。
  論文  参考訳（メタデータ） (2025-05-22T05:29:47Z)
• Evaluating the Diversity and Quality of LLM Generated Content [72.84945252821908]
  品質閾値を満たす出力間の効果的な意味的多様性を測定するための枠組みを導入する。 嗜好調整モデルでは語彙的および構文的多様性が低下するが、SFTやベースモデルよりも効果的な意味的多様性が得られる。 これらの発見は、多種多様な高品質な出力を必要とするアプリケーションに重要な意味を持つ。
  論文  参考訳（メタデータ） (2025-04-16T23:02:23Z)
• On the Effect of Sampling Diversity in Scaling LLM Inference [57.31028064284527]
  大規模言語モデル(LLM)のスケーリング推論は、パフォーマンス向上の鍵となる。 解の精度と応答の有意な多様性の関係から,スケーリング推論における急激な多様性の効果を体系的に研究した。 また,Best-of-N$選択後の有意義な多様なプロンプトから生成した応答は,定常的なプロンプトから生成した応答よりも有意に低い値を示した。
  論文  参考訳（メタデータ） (2025-02-16T07:37:58Z)
• Diverse Preference Optimization [44.59812261167362]
  DivPO(Diverse Preference Optimization)は,従来のパイプラインよりもはるかに多様な応答を生成する最適化手法である。 DivPOは45.6%のパーソナ属性を生成し、ストーリーの多様性は74.6%増加した。 一般的な指導では、DivPOは多様性が46.2%増加し、DPOに比べて2.4%改善した。
  論文  参考訳（メタデータ） (2025-01-30T02:47:41Z)

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。