論文の概要: Demographic Pluralism: Inference-Time Modeling of Pluralistic Human Preference Distributions

• arxiv url: http://arxiv.org/abs/2609.38555v1
• Date: Tue, 29 Sep 2026 21:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.751325
• Title: Demographic Pluralism: Inference-Time Modeling of Pluralistic Human Preference Distributions
• Title（参考訳）: 図形的多元論:多元的人間の選好分布の推論時間モデリング
• Abstract要約: 本稿では,人口レベルの意見分布を推定する推定時フレームワークであるDemographic Pluralismを紹介する。 ジェンセン=シャノン距離を8.4%から26.4%減らす。
• 参考スコア（独自算出の注目度）: 2.206102301986943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used in culturally sensitive settings, where alignment requires representing diverse preferences within populations. Yet existing methods model populations at coarse demographic or community levels and overlook within-group variation. We introduce Demographic Pluralism, an inference-time framework that estimates population-level opinion distributions without opinion-distribution training data or task-specific fine-tuning by generating multiple perspectives within demographically grounded groups. Across four backbones on GlobalOpinionQA and VITAL, it reduces Jensen-Shannon distance by 8.4%-26.4% over Modular Pluralism. Among weighted, equal-weighted, and inverse-weighted aggregation, equal weighting performs best overall; group-level error also increases with group weight, helping explain weighted aggregation's weaker performance.
• Abstract（参考訳）: 大規模言語モデル (LLM) は文化的に敏感な環境において、人口の様々な好みを表現するためにますます用いられる。 しかし、既存の手法は人口統計学やコミュニティレベルで人口をモデル化し、グループ内での変動を見落としている。 人口統計学的なグループ内で複数の視点を生成することにより、意見配信訓練データやタスク固有の微調整を伴わない、人口レベルの意見分布を推定する推論時フレームワークであるDemographic Pluralismを紹介した。 グローバルオピニオンQAとVITALの4つのバックボーンで、Jensen-Shannon距離を8.4%から26.4%減らす。 重み付き、等しい重み付き、逆重み付きアグリゲーションの中で、等重み付けは全体として最も良く、グループレベルのエラーも群重みとともに増加し、重み付きアグリゲーションの弱いパフォーマンスを説明するのに役立つ。

関連論文リスト

• Population Fidelity: Evaluating Population Representativeness in LLMs [4.391268456243618]
  大規模言語モデル(LLM)の評価フレームワークであるPopulation Fidelityを紹介する。 グループレベルの精度、グループ間の変動の量、そしてその変動の構造の3つの次元が組み込まれている。 我々は、人口の表現には、同時に人間の位置変化のいくつかの特徴を再現するモデルが必要であると論じる。
  論文  参考訳（メタデータ） (2026-09-28T20:44:59Z)
• Learning Perspectivist Social Meaning via Demographic-Conditioned Fusion Embeddings [11.048086031066624]
  言語における社会的意味は本質的にパースペクティブであり、アノテータの背景、人口統計、イデオロギー的な位置によって異なる。 ほとんどのNLPシステムは、解釈の多様性を無視して、この変化を1つの地平線ラベルに分解する。 我々は、パースペクティビストスペクトルに沿って社会的次元をモデル化し、28万の人間のアノテーションからなるデータセット上で、人口集団間で解釈がどのように異なるかを測定する。
  論文  参考訳（メタデータ） (2026-06-05T10:25:01Z)
• Can Persona-Prompted LLMs Emulate Subgroup Values? An Empirical Analysis of Generalisability and Fairness in Cultural Alignment [75.88231994139132]
  GPT-4.1のような最先端モデルでさえ、モーダル選好を予測する精度は57.4%に過ぎなかった。 モデルでは、若者、男性、中国人、キリスト教のペルソナをよりうまくエミュレートする。
  論文  参考訳（メタデータ） (2026-04-14T15:06:13Z)
• Demographic Probing of Large Language Models Lacks Construct Validity [16.29607362682272]
  大規模言語モデルが人口統計特性にどのように適応するかを考察する。 このアプローチは通常、グループメンバーシップのシグナルとして、分離された単一の人口統計学的キューを使用する。 その結果、同じ人口集団を表現するための手がかりは、モデル行動に部分的に重なる変化しか生じないことがわかった。
  論文  参考訳（メタデータ） (2026-01-26T13:41:35Z)
• Us-vs-Them bias in Large Language Models [0.569978892646475]
  基礎的大言語モデル間で、一貫した内集団陽性および外集団陰性な関連を見いだす。 調査対象者は,保守的ペルソナは対人関係が強く,リベラルなペルソナは対人関係が強かった。
  論文  参考訳（メタデータ） (2025-12-03T07:11:22Z)
• MF-LLM: Simulating Population Decision Dynamics via a Mean-Field Large Language Model Framework [53.82097200295448]
  MF-LLM(Mean-Field LLM)は,まず平均場理論を社会シミュレーションに取り入れる。 MF-LLMは反復過程を通じて個人と人口間の双方向相互作用をモデル化する。 IB-Tuneは、Information Bottleneckの原理にインスパイアされた、新しい微調整手法である。
  論文  参考訳（メタデータ） (2025-04-30T12:41:51Z)
• MaxMin-RLHF: Alignment with Diverse Human Preferences [101.57443597426374]
  Reinforcement Learning from Human Feedback (RLHF) は、言語モデルと人間の嗜好を一致させる。 予測最大化アルゴリズムを用いて嗜好分布の混合を学習し、人間の嗜好をよりよく表現する。 従来のRLHFアルゴリズムよりも16%以上の勝利率向上を実現している。
  論文  参考訳（メタデータ） (2024-02-14T03:56:27Z)
• On the steerability of large language models toward data-driven personas [98.9138902560793]
  大規模言語モデル(LLM)は、特定のグループや集団の意見が不足している偏りのある応答を生成することが知られている。 本稿では, LLM を用いて特定の視点の制御可能な生成を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T19:01:13Z)
• Non-Invasive Fairness in Learning through the Lens of Data Drift [88.37640805363317]
  データや学習アルゴリズムを変更することなく、機械学習モデルの公平性を向上する方法を示す。 異なる集団間の傾向のばらつきと、学習モデルと少数民族間の連続的な傾向は、データドリフトと類似している。 このドリフトを解決するための2つの戦略(モデル分割とリウィーディング)を探索し、基礎となるデータに対するモデル全体の適合性を改善することを目的としている。
  論文  参考訳（メタデータ） (2023-03-30T17:30:42Z)

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。