論文の概要: SYNC: A Training-Free Inference Controller for Dynamic Layer Selection in Multi-Persona Alignment

• arxiv url: http://arxiv.org/abs/2611.02636v2
• Date: Tue, 03 Nov 2026 05:45:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.573186
• Title: SYNC: A Training-Free Inference Controller for Dynamic Layer Selection in Multi-Persona Alignment
• Title（参考訳）: SynC:マルチペソナアライメントにおける動的層選択のためのトレーニングフリー推論制御
• Abstract要約: SynC (SensitivitY-guided iNference Control) は、既存のステアリングベクトルと互換性のあるトレーニングフリーの推論制御フレームワークである。 それぞれのレイヤーの感度をコサイン類似性軌跡を介して全てのペルソナに推定し、デコーディングの各ステップで各ペルソナを最適なインジェクション層に割り当てる。
• 参考スコア（独自算出の注目度）: 5.113655519897512
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Steering vectors align a model at inference time without touching its weights, but eliciting several personas at once is a different problem from eliciting one. Prior multi-persona steering approaches predetermine both how persona vectors are combined and the specific layers at which they are injected. Moreover, this static commitment introduces substantial offline search costs to identify suitable target layers, despite the fact that optimal intervention strengths vary dynamically across both decoding steps and distinct personas. We introduce SYNC (SensitivitY-guided iNference Control), a novel training-free inference control framework compatible with pre-existing steering vectors. SYNC dynamically estimates each layer's sensitivity to every persona via cosine similarity trajectories, assigning each persona to its optimal injection layer at every decoding step. Across two models, two persona profiles and steering vectors from both unsupervised and supervised extraction, SYNC leads on 21 of 28 persona configurations, significantly on 15. Code is available at https://github.com/yosefnuragaw/sync.
• Abstract（参考訳）: ステアリングベクトルはその重みに触れることなく推論時にモデルを整列させるが、複数のペルソナを一度に引き出すことは、引き出すこととは別の問題である。 以前のマルチペルソナステアリングは、ペルソナベクトルをどのように組み合わせるかと、それらが注入される特定の層の両方を事前に決定する。 さらに、この静的コミットメントは、最適な介入強度がデコードステップと異なるペルソナの両方で動的に変化するにもかかわらず、適切なターゲット層を特定するためにかなりのオフライン検索コストをもたらす。 SynC(SensitivitY-guided iNference Control)は,既存のステアリングベクトルと互換性のある新しいトレーニングフリー推論制御フレームワークである。 SynCは、コサイン類似性トラジェクトリを通じて各レイヤに対する各ペルソナの感度を動的に推定し、各デコードステップで各ペルソナを最適なインジェクション層に割り当てる。 2つのモデル,2つのペルソナプロファイル,および教師なし抽出と教師なし抽出のステアリングベクターにおいて,SynCは,28のペルソナ構成のうち,15。 コードはhttps://github.com/yosefnuragaw/sync.comから入手できる。

関連論文リスト

• Anchor 1: Precise and Stable Humanoid Control for Whole-Body Manipulation [51.334811442145245]
  我々は,体全体を正確に,安定した操作を行うための全身制御装置であるAnchor 1を紹介する。 アンカー1は、タスク関連人体運動構造を保存するためにスパース動作参照を採用する。 モーションエンコーディングから切り離された明示的なエラーフィードバックにより、制御精度が向上する。
  論文  参考訳（メタデータ） (2026-10-30T17:56:53Z)
• Read-Best Is Not Steer-Best: A Probing--Steering Layer Dissociation in Omni-Modal Large Language Models [75.34700827901757]
  一般的にテストされるが、最も高い確率の層がステアリングに最適な層である、という仮定は稀である。 独立に開発された3つのOmni-modalモデルにまたがって、この仮定を初めて因果検定する。 感情を制御されたテストベッドとして使用し、テキスト、音声、画像入力の階層的可読性と操縦性を測定する。
  論文  参考訳（メタデータ） (2026-08-24T11:38:22Z)
• CircuitSteer: Geometrically Aligned Multi-Layer Steering via Sparse Autoencoder Circuits [3.6732711233211677]
  大規模言語モデル(LLM)の振る舞いを制御することは、AIアライメントにとって重要な課題である。 既存のステアリング法は、凝集活性化の相違から導かれる固定された単層干渉に依存する。 本稿では、スパースオートエンコーダを利用してコヒーレントなセマンティック回路を識別・操作する新しいフレームワークCircuitSteerを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T08:17:50Z)
• DuplexGen: Adaptive Synthesis of Human-AI Turn-Taking Dialogues [49.82200425774426]
  ターンテイクは完全な適応的相互作用の中心的なコンポーネントであるが、現在のモデルは文脈に関係なく適用される。 本稿では,人間の嗜好アノテーションの少数のセットに対する予測を校正することで,シナリオのターンテイクを伴う対話を生成する枠組みを提案する。 これらの結果から, 人間のキャリブレーションは, アクセラレーションや設計の促進ではなく, ターンテイク合成をシナリオ固有のものにすることが示唆された。
  論文  参考訳（メタデータ） (2026-07-28T18:36:46Z)
• DCGrasp: Distance-aware Controllable Grasp Generation [64.30284326160826]
  我々は,新しいグリップエネルギー項に基づく制御可能なグリップ生成システムDCGraspを提案する。 この用語は、各ハンドから最も近いオブジェクトポイントまでの符号付き距離である距離プロファイルを計算する。 実験の結果,DCGraspはフレキシブルなユーザ制御により,高品質で物理的に妥当なグリップを生成することがわかった。
  論文  参考訳（メタデータ） (2026-06-29T08:02:02Z)
• CLEAR: Cognition and Latent Evaluation for Adaptive Routing in End-to-End Autonomous Driving [19.474428775260034]
  超高速な生成計画と深い意味的推論を組み合わせたフレームワークであるCLEARを提案する。 CLEARはDrive-JEPAをビジュアルエンコーダとして採用し、VAEラテント空間におけるマルチステップデノイングチェーンを単一ステップ条件ドリフトに置き換える。 NAVSIM v1ベンチマークでは、CLEARは93.7の最先端のPDMSを達成した。
  論文  参考訳（メタデータ） (2026-06-04T14:32:10Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Controllable and explainable personality sliders for LLMs at inference time [1.3688381983244782]
  連続多次元パーソナリティ制御のためのモジュラーフレームワークを提案する。 我々の重要な革新は、逐次適応ステアリング(SAS)である。これは、先行介入によってシフトした残流上のその後のプローブをトレーニングすることで、ステアリングベクトルを変換する手法である。 我々は,ビッグファイブの性格特性に関する枠組みを検証し,ゴール順守とコヒーレンスの両方において,ナイーブ・ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-10T08:16:59Z)
• One-shot Optimized Steering Vector for Hallucination Mitigation for VLMs [8.089908150148554]
  視覚言語モデル(VLM)は、マルチモーダルタスクにおいて高いパフォーマンスを達成するが、まだ幻覚や安全関連の障害に悩まされている。 textbf1-shot textbfSteering with textbfGenerative textbfAnchorは、単一の最適化インスタンスでモデル性能を改善するための、入力に依存しないフレームワークである。
  論文  参考訳（メタデータ） (2026-01-30T14:47:59Z)
• Hierarchical Adaptive networks with Task vectors for Test-Time Adaptation [3.3834108313265916]
  タスクベクトルを用いた階層型適応ネットワーク(Hi-Vec)を提案する。 Hi-Vecは、既存のメソッドが様々な複雑さのシフトに適応できるようにする。 挑戦的なシナリオや複数のターゲットデータセットにおいて、Hi-Vecの性能を厳格に評価する。
  論文  参考訳（メタデータ） (2025-08-11T21:55:53Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)

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。