論文の概要: Personalize at Test Time: Learning User Preferences for Image Generation

• arxiv url: http://arxiv.org/abs/2610.09015v1
• Date: Tue, 06 Oct 2026 19:10:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.566538
• Title: Personalize at Test Time: Learning User Preferences for Image Generation
• Title（参考訳）: テスト時のパーソナライズ:画像生成のためのユーザの嗜好を学習する
• Abstract要約: 重要なボトルネックは、限られたフィードバックから多様なユーザの好みを正確にモデル化することである。 ユーザの過去の画像選択ペアから直接パーソナライズされた報酬モデルを学ぶアプローチを提案する。 実ユーザによる選好データを用いた実験により,提案手法は2対の選好予測精度を約77%向上した。
• 参考スコア（独自算出の注目度）: 4.291788698192945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models can generate high-quality images, yet aligning their outputs with individual user preferences remains challenging. A key bottleneck is accurately modeling diverse user preferences from limited feedback. Existing approaches often rely on labor-intensive manual preference annotations or vision-language models (VLM) to extract preference information from user interaction histories, introducing substantial annotation or computational costs that limit scalability. We propose an approach that learns personalized reward models directly from users' historical image preference pairs. First, we use an autoencoder to compress hundreds of visual attributes into 50 attribute-anchored preference dimensions and train an evaluator to score images along these dimensions. We then represent each user's preferences as a linear combination of the shared dimension scores, estimating the user-specific weights by maximizing the likelihood of their observed pairwise preferences under the Bradley-Terry model. This formulation reduces per-user adaptation to optimizing a low-dimensional weight vector, simplifying optimization and enabling data-efficient personalization from sparse feedback. The learned personalized rewards guide image generation at inference time while keeping the diffusion model frozen. Experiments on real-user preference data show that our approach achieves approximately 77% held-out pairwise preference prediction accuracy and improves the alignment of generated images with individual user preferences.
• Abstract（参考訳）: 拡散モデルは高品質な画像を生成することができるが、出力を個々のユーザの好みに合わせることは依然として困難である。 重要なボトルネックは、限られたフィードバックから多様なユーザの好みを正確にモデル化することである。 既存のアプローチは、ユーザインタラクション履歴から好み情報を抽出するために、労働集約的な手動の好みアノテーションや視覚言語モデル(VLM)に依存しており、スケーラビリティを制限する相当なアノテーションや計算コストを導入している。 ユーザの過去の画像選択ペアから直接パーソナライズされた報酬モデルを学ぶアプローチを提案する。 まず、オートエンコーダを用いて、数百の視覚属性を50の属性アンコールされた嗜好次元に圧縮し、評価器にこれらの次元に沿って画像をスコアする訓練を行う。 次に、各ユーザの嗜好を共有次元スコアの線形結合として表現し、Bradley-Terryモデルの下で観測された対の選好の可能性を最大化することにより、ユーザ固有の重みを推定する。 この定式化により、低次元の重みベクトルを最適化し、最適化を簡素化し、スパースフィードバックからデータ効率の良いパーソナライズを可能にする。 学習したパーソナライズされた報酬は、拡散モデルを凍結したまま、推論時に画像生成をガイドする。 実ユーザ嗜好データを用いた実験により,提案手法は2対の選好予測精度を約77%向上し,個々の選好画像とのアライメントを改善した。

関連論文リスト

• Personalizing Text-to-Image Generation to Individual Taste [27.034209539539926]
  我々は、パーソナライズされた画像評価をモデル化するための新しいデータセットと予測フレームワーク、PAMELAを紹介した。 私たちのデータセットは、最先端のモデルによって生成される5000の多様な画像に対して、70,000のレーティングで構成されています。 我々のモデルは、現在の最先端手法の大多数よりも高い精度で個人の好みを予測する。
  論文  参考訳（メタデータ） (2026-04-08T17:35:36Z)
• 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)
• PreferThinker: Reasoning-based Personalized Image Preference Assessment [83.66114370585976]
  推論に基づくパーソナライズされた画像嗜好評価フレームワークを提案する。 まず、ユーザーの好みプロファイルを参照画像から予測する。 次に、解釈可能で多次元のスコアと候補画像の評価を提供する。
  論文  参考訳（メタデータ） (2025-11-01T16:19:51Z)
• Learning User Preferences for Image Generation Model [15.884017849539754]
  本稿では,マルチモーダルな大規模言語モデルに基づいて,パーソナライズされたユーザの好みを学習する手法を提案する。 対照的な選好損失は、利用者の「好き」と「嫌い」を効果的に区別するように設計されている。 学習可能な選好トークンは、既存のユーザ間で共有された関心表現をキャプチャし、モデルがグループ固有の選好を活性化し、類似ユーザ間の一貫性を高める。
  論文  参考訳（メタデータ） (2025-08-11T17:39:42Z)
• 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)
• 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)

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。