論文の概要: PersonaFactor: Preference Factors with Dynamic Selection for LLM Personalization

• arxiv url: http://arxiv.org/abs/2610.16372v2
• Date: Tue, 20 Oct 2026 05:20:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.19125
• Title: PersonaFactor: Preference Factors with Dynamic Selection for LLM Personalization
• Title（参考訳）: ペルソナファクタ: LLMパーソナライゼーションのための動的選択による選好因子
• Abstract要約: PersonaFactorsは、不均一なユーザインタラクションから再利用および解釈可能なパーソナライズ要素を抽出するフレームワークである。 4つのパーソナライズベンチマークと4つのバックボーンモデルにまたがって、Dynamic PersonaFactorは、レポートされたメトリック毎に最高のスコアを誘導する。 これらの結果は,因子に基づく個人化と履歴に基づくパーソナライゼーションが相互に強化できることを示唆している。
• 参考スコア（独自算出の注目度）: 22.4806582190878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although users may express different personalization needs across tasks, these task-specific behaviors can reflect shared underlying preference mechanisms. Existing LLM personalization methods often focus on surface-level interactions or undifferentiated histories, overlooking the shared mechanisms underlying these behaviors. We introduce PersonaFactors, a framework that distills reusable and interpretable personalization factors from heterogeneous user interactions. We construct a library of thirteen PersonaFactors by extracting evidence-grounded rationales and clustering recurring patterns across tasks, and develop a dynamic factor-guided generation framework that selects factors relevant to each user's history and current request. Across four personalization benchmarks and four backbone models, Dynamic PersonaFactor achieves the best score on every reported metric. Representation analyses further show that PersonaFactors and user history induce partially overlapping low-dimensional representations, and that their joint use yields complementary shifts. Taken together, these findings suggest that factor-based and history-based personalization can mutually reinforce each other.
• Abstract（参考訳）: ユーザーはタスク間で異なるパーソナライズのニーズを表現できるが、これらのタスク固有の振る舞いは、共有された基本的嗜好メカニズムを反映することができる。 既存のLCMのパーソナライズ手法は、しばしば表面レベルの相互作用や未分化の履歴に焦点を合わせ、これらの行動の基礎となる共有メカニズムを見下ろしている。 異種ユーザインタラクションから再利用および解釈可能なパーソナライゼーション因子を抽出するフレームワークであるPersonaFactorsを紹介する。 本研究では,13のペルソナファクタからなるライブラリを構築し,各ユーザの履歴と現在の要求に関連する要因を選択する動的因子誘導生成フレームワークを開発する。 4つのパーソナライズベンチマークと4つのバックボーンモデルに対して、Dynamic PersonaFactorは、レポートされたメトリック毎に最高のスコアを達成している。 表現分析により、ペルソナファクタとユーザ履歴は部分的に重なり合う低次元表現を誘導し、それらの共同使用が相補的な変化をもたらすことが示された。 これらの結果は,因子に基づく個人化と履歴に基づくパーソナライゼーションが相互に強化できることを示唆している。

関連論文リスト

• Preference-Aware Rubric Learning for Personalized Evaluation [59.539429430690156]
  既存の評価手法では、長期的なインタラクション履歴に埋め込まれたユーザ固有の嗜好をキャプチャできない。 静的判断よりも学習問題としてパーソナライズされた評価を定式化するパラダイムであるパーソナライズド・アズ・ラーニングを提案する。 実験により、PARLはユーザ対応の応答を確実に識別し、ユーザ間で一般化する高忠実なルーブリックを一貫して誘導することが示された。
  論文  参考訳（メタデータ） (2026-05-29T17:00:55Z)
• 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)
• RPM: Reasoning-Level Personalization for Black-Box Large Language Models [13.102489006219548]
  この研究は、推論レベルのパーソナライゼーションを新しいパラダイムとして導入する。 RPMは、ユーザの振舞いのパターンから構築された構造化理性を用いて、モデルの推論プロセスを導くために設計された最初の体系的なフレームワークである。
  論文  参考訳（メタデータ） (2025-05-27T12:06:16Z)
• A Personalized Conversational Benchmark: Towards Simulating Personalized Conversations [112.81207927088117]
  PersonaConvBenchは、大規模言語モデル(LLM)とのマルチターン会話におけるパーソナライズされた推論と生成を評価するためのベンチマークである。 我々は,複数の商用およびオープンソース LLM を統一的なプロンプト設定でベンチマークし,パーソナライズされた履歴を組み込むことで大幅な性能向上が得られることを観察した。
  論文  参考訳（メタデータ） (2025-05-20T09:13:22Z)
• Aligning LLMs with Individual Preferences via Interaction [51.72200436159636]
  調整可能な大きな言語モデル(LLM)をトレーニングします。 木構造における3K以上の多ターン会話を含む多ターン嗜好データセットを開発した。 評価のために、慎重に選択された100のサンプルと、会話中にカスタマイズされたアライメント性能を測定するために適切に設計されたメトリクスからなるALOEベンチマークを確立する。
  論文  参考訳（メタデータ） (2024-10-04T17:48:29Z)
• PersonalLLM: Tailoring LLMs to Individual Preferences [11.717169516971856]
  我々は、特定のユーザに対して最大限のメリットを提供するためにLLMを適用することに焦点を当てた、PersonalLLMという公開ベンチマークを提示する。 我々は、ユーザーが不均一な潜伏傾向を示すことを期待する高品質な回答と組み合わせたオープンエンドプロンプトをキュレートする。 私たちのデータセットと生成された個人性は、パーソナライズアルゴリズムを開発するための革新的なテストベッドを提供します。
  論文  参考訳（メタデータ） (2024-09-30T13:55:42Z)
• PEFT-U: Parameter-Efficient Fine-Tuning for User Personalization [9.594958534074074]
  ユーザパーソナライズのためのNLPモデルの構築と評価のための新しいデータセットであるPEFT-Uベンチマークを紹介する。 多様なユーザ中心タスクのコンテキストにおいて、LLMを効率よくパーソナライズし、ユーザ固有の嗜好に適合させるという課題について検討する。
  論文  参考訳（メタデータ） (2024-07-25T14:36:18Z)

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。