論文の概要: LLM Persona Unlearning

• arxiv url: http://arxiv.org/abs/2609.39882v1
• Date: Wed, 30 Sep 2026 14:55:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.948724
• Title: LLM Persona Unlearning
• Title（参考訳）: LLMペルソナアンラーニング
• Abstract要約: 事前学習は,役割,スタイル,価値観,目標に関連する行動パターンの幅広いレパートリーを持つ大規模言語モデルに匹敵することを示す。 ポストトレーニングは条件付き実行を教え、アシスタントをデフォルトにするが、ウェイトから代替モードを消去しない。 そこで我々は,目標モードから遠ざかって,一致した所望の応答に向かって目標刺激状態の訓練を行うPaCEを提案する。
• 参考スコア（独自算出の注目度）: 27.683865654741012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pre-training equips large language models (LLMs) with a broad repertoire of behavioral patterns associated with roles, styles, values, and goals. Post-training teaches conditional enactment and makes a helpful Assistant the default, but it does not erase alternative modes from the weights; explicit prompts can therefore elicit personas that repeatedly shape judgment, language, and action. In open-weight settings, runtime controls can be removed, motivating persona unlearning: a weight-level edit that makes a designated persona difficult to elicit and enact on unseen contexts. We introduce PersonaUnlearnBench, a model-specific paired benchmark spanning six LLMs from three families and five personas, with aligned forget/retain sets, held-out instruction paraphrases, and four-axis evaluation. The benchmark shows that standard unlearning methods cannot reliably erase the target persona without sacrificing meaningful generation or general utility. We therefore propose PaCE, which compares target and desirable responses to the same questions to locate an internal behavior direction, then trains target-prompt states away from the target mode and toward the matched desirable response. Experiments show that PaCE consistently suppresses target personas with high response quality and useful counterpart behavior, at moderate utility cost. These results establish persona unlearning as a distinct behavior-level editing problem and a practical route toward persistent control of latent LLM response policies.
• Abstract（参考訳）: 事前学習は、役割、スタイル、価値、目標に関連する行動パターンの幅広いレパートリーを持つ大きな言語モデル(LLM)を装備する。 ポストトレーニングは条件付き実施法を教え、アシスタントをデフォルトにするが、ウェイトから代替モードを消去するわけではなく、したがって明示的なプロンプトは判断、言語、行動を繰り返し形作るペルソナを引き出すことができる。 オープンウェイトな設定では、実行時のコントロールを削除して、未学習のペルソナを動機付けます。 PersonaUnlearnBenchは、3つのファミリーと5つのペルソナから6つのLSMにまたがるモデル固有のペアベンチマークである。 ベンチマークの結果,標準的なアンラーニング手法では,意味のある生成や汎用性を犠牲にすることなく,対象のペルソナを確実に消去できないことがわかった。 そこで我々は,同一の質問に対して,対象と望ましい応答を比較して内部行動の方向を推定し,対象状態から目標状態へ学習し,一致した望ましい応答に向かって学習するPaCEを提案する。 実験の結果,PaCEは高い応答品質と有用な振る舞いを持つターゲットペルソナを適度な実用コストで継続的に抑制することがわかった。 これらの結果から,パーソナ・アンラーニング(ペルソナ・アンラーニング)は,行動レベルの異なる編集問題であり,潜在LCM応答ポリシーの永続的制御に向けた実践的な経路として確立された。

関連論文リスト

• DuplexSpeechBench-IFEval: Evaluating Implicit Instruction Following in Full-Duplex Voice Agents [67.07361089429757]
  6つのリアルタイム音声システムを用いて, 実時間床の付着度を測定した。 アーキテクチャに依存したトレードオフを見つけます。 GPT-Realtime, Mini-o Duplex, Fun-Audio-Chatはペルソナ一貫性のあるコンテンツに強く固執する。
  論文  参考訳（メタデータ） (2026-09-03T06:28:02Z)
• Training LLMs with Reinforcement Learning for Intent-Aware Personalized Question Answering [6.156855333798949]
  Intent-Aware Personalization (IAP)は、シングルターン質問から直接暗黙のユーザ意図を推論するためにモデルを訓練する。 IAPは、パーソナライズされた意図に基づく回答を生成するためのタグベースのスキーマを通じて、ユーザの意図を思考ステップに組み込む。 IAPは、LaMP-QAベンチマークでの実験において、すべてのベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-12T18:38:05Z)
• Facet-Level Persona Control by Trait-Activated Routing with Contrastive SAE for Role-Playing LLMs [6.715533531385597]
  Role-Playing Agents (RPAs) におけるパーソナリティコントロールは、トレーニング不要の手法によって一般的に達成される。 本稿では,Big Five 30-facetモデルに適合する顔レベルの人格制御ベクトルを学習するSparse AutoEncoderフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-22T12:39:02Z)
• Consistently Simulating Human Personas with Multi-Turn Reinforcement Learning [52.07170679746533]
  大規模言語モデル(LLM)は、セラピー、教育、社会的役割プレイといったインタラクティブな環境において、人間のユーザをシミュレートするためにますます使われています。 LLM生成対話におけるペルソナの一貫性の評価と改善のための統一的なフレームワークを提案する。 我々は3つの自動メトリクス、即行一貫性、行間一貫性、Q&A一貫性を定義し、異なるタイプのペルソナドリフトをキャプチャし、それぞれが人間のアノテーションに対して検証する。
  論文  参考訳（メタデータ） (2025-10-31T19:40:41Z)
• Search-Based Credit Assignment for Offline Preference-Based Reinforcement Learning [83.64755389431971]
  本稿では,2つのフィードバックソースを統一する検索ベースPreference Weightingスキームを提案する。 選好ラベル付き軌道における各遷移について、SPWは専門家のデモンストレーションから最もよく似た状態-作用対を探索する。 これらの重みは標準の嗜好学習をガイドするために使われ、より正確なクレジット割り当てを可能にします。
  論文  参考訳（メタデータ） (2025-08-21T07:41:45Z)
• SPaR: Self-Play with Tree-Search Refinement to Improve Instruction-Following in Large Language Models [88.29990536278167]
  SPaRは、木探索の自己精製を統合して、有効かつ同等な選好ペアを得るセルフプレイフレームワークである。 実験により,SPaRで誘導された3回の反復で訓練されたLLaMA3-8Bモデルが,一般機能を失うことなくIFEvalベンチマークでGPT-4-Turboを上回った。
  論文  参考訳（メタデータ） (2024-12-16T09:47:43Z)
• PICLe: Eliciting Diverse Behaviors from Large Language Models with Persona In-Context Learning [20.39414674098941]
  大規模言語モデル(LLM)は、多種多様な性格特性で符号化された大量のテキストコーパスで訓練される。 対象のペルソナと整合するようにLCM動作をカスタマイズすることを目的として,ペルソナ推論タスクを形式化する。 本稿では,ベイズ推論に基づく新しいペルソナ推論フレームワークであるペルソナ・インコンテクスト・ラーニング(PICLe)を提案する。
  論文  参考訳（メタデータ） (2024-05-03T22:17:22Z)

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。