論文の概要: Personality Latents: Conditioning Frozen Language Models on Individuals from Their Own Writing

• arxiv url: http://arxiv.org/abs/2610.36805v1
• Date: Tue, 27 Oct 2026 08:08:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.541329
• Title: Personality Latents: Conditioning Frozen Language Models on Individuals from Their Own Writing
• Title（参考訳）: 個人性遅滞者:自筆による凍結言語モデルの構築
• Abstract要約: パーソナリティ・ラテント(Personality Latent)は、自分自身の著作から各人物の潜伏者を学ぶ。 我々は、条件付きモデル回答を中立にし、面接質問をすることで、留意者について評価する。
• 参考スコア（独自算出の注目度）: 2.5137859989323537
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controlling the personality of a language model usually relies on written profiles or named trait categories, so it can only express what an author writes down or what a taxonomy names. We instead propose Personality Latents (PL), which learn a latent for each person from their own writing, with no personality labels and no authored profile, and inject it into a frozen language model as a soft prefix. Following generative latent optimization, each training person receives a free latent that is optimized through the frozen model itself, while an encoder learns to predict these latents so that a new person needs only one forward pass, with optional refinement at test time. We evaluate on held-out people by having the conditioned model answer neutral and interview questions and reading personality from its answers with scorers trained on real human writing. On the MBTI axes PL reaches an AUC of , ahead of persona embedding and prompt-based baselines under identical settings, and the ranking holds when the answers are scored in three different embedding spaces. A latent learned with Qwen2.5-3B-Instruct also transfers personality to Llama-3.1-8B-Instruct through a new adapter alone.
• Abstract（参考訳）: 言語モデルのパーソナリティの制御は通常、書かれたプロファイルや名前付き特徴カテゴリに依存しているため、著者が書いたものや分類学の名前しか表現できない。 そこで我々は,自己の著作から各人物の潜伏者を学習し,人格ラベルがなく,著者のプロファイルも無く,凍結した言語モデルにソフトプレフィックスとして注入するパーソナリティ潜伏者 (PL) を提案する。 生成的潜伏最適化の後、各訓練者は凍結モデル自体を通じて最適化された自由潜伏者を受信し、一方、エンコーダは、新しい人が1つの前方通過しか必要とせず、テスト時に任意に洗練されるように、これらの潜伏者を予測することを学習する。 そこで,本研究では,条件付きモデル回答を中和し,質問へのインタビューを行い,実際の人間文の学習者による回答から人格を読み取ることにより,留意者に対する評価を行った。 MBTI軸PLは、同一設定下でペルソナ埋め込みとプロンプトベースラインの前にAUCに達し、3つの異なる埋め込み空間で回答が得点されたときにランキングが保持される。 Qwen2.5-3B-Instructで学んだ潜伏者は、新しいアダプタだけでLlama-3.1-8B-Instructに性格を移す。

関連論文リスト

• Stories of Your Life as Others: A Round-Trip Evaluation of LLM-Generated Life Stories Conditioned on Rich Psychometric Profiles [0.09558392439655011]
  パーソナリティの特徴は、自然言語で十分にエンコードされている。 人文で訓練された大きな言語モデル(LLM)は、ペルソナの記述に条件付けされたときに性格をシミュレートすることができる。 本研究では,人体実験の信頼性に迫るレベルにおいて,生成した物語から人格スコアを復元できることを示す。
  論文  参考訳（メタデータ） (2026-04-07T16:51:50Z)
• Ask, Answer, and Detect: Role-Playing LLMs for Personality Detection with Question-Conditioned Mixture-of-Experts [4.618735978506653]
  ROMEは、心理的知識を人格検出に明示的に注入する新しいフレームワークである。 ROMEは、実世界の2つのデータセットの実験において、最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-09T17:07:54Z)
• Personality Vector: Modulating Personality of Large Language Models by Model Merging [2.375715682799016]
  大規模言語モデル(LLM)におけるパーソナリティ変調の新しい手法を提案する。 我々は、与えられた性格特性に基づいて、微調整モデルから事前訓練されたモデルの重みを減らし、人格ベクトルを構築する。 実験により、人格ベクトルは特性強度を連続的に制御し、複数の特徴の合成を支援することが示されている。
  論文  参考訳（メタデータ） (2025-09-24T03:11:28Z)
• PsyCoT: Psychological Questionnaire as Powerful Chain-of-Thought for Personality Detection [50.66968526809069]
  PsyCoTと呼ばれる新しい人格検出手法を提案する。これは、個人がマルチターン対話方式で心理的質問を完遂する方法を模倣するものである。 実験の結果,PsyCoTは人格検出におけるGPT-3.5の性能とロバスト性を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-10-31T08:23:33Z)
• Editing Personality for Large Language Models [73.59001811199823]
  本稿では,Large Language Models (LLMs) の性格特性の編集に焦点をあてた革新的なタスクを紹介する。 このタスクに対処する新しいベンチマークデータセットであるPersonalityEditを構築します。
  論文  参考訳（メタデータ） (2023-10-03T16:02:36Z)
• MBTI Personality Prediction for Fictional Characters Using Movie Scripts [34.24896499537589]
  我々は,映画キャラクタのMBTIやビッグ5の性格タイプを予測するために,Story2Personalityというベンチマークを構築した。 実験の結果,既存のテキスト分類モデルでは作業が困難であることが確認された。 言語記述と非言語記述の両方を用いた人格予測のための多視点モデルを提案する。
  論文  参考訳（メタデータ） (2022-10-20T03:41:07Z)
• Evaluating and Inducing Personality in Pre-trained Language Models [78.19379997967191]
  人間の個性理論を機械行動研究のツールとして活用することで,心理測定研究からインスピレーションを得た。 これらの疑問に答えるために,機械の動作を研究するためのMachine Personality Inventory(MPI)ツールを紹介した。 MPIは、ビッグファイブ・パーソナリティ・ファクター(Big Five Personality Factors、ビッグファイブ・パーソナリティ・ファクター)理論とパーソナリティ評価在庫に基づく標準化されたパーソナリティ・テストに従う。 パーソナリティ・プロンプト法(P2法)を考案し、特定のパーソナリティを持つLSMを制御可能な方法で誘導する。
  論文  参考訳（メタデータ） (2022-05-20T07:32:57Z)

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。