Personalized Large Language Models

要約

大規模言語モデル (LLM) は、近年、自然言語処理 (NLP) タスクを大幅に進歩させました。
ただし、その普遍的な性質により、レコメンデーション システムやチャットボットなど、パーソナライズされた応答が必要なシナリオでは制限が生じます。
この論文では、主観的なタスクに対する微調整アプローチとゼロショット推論アプローチを比較して、LLM をパーソナライズする方法を調査します。
結果は、パーソナライズされた微調整により、パーソナライズされていないモデルと比較してモデル推論が向上することを示しています。
感情認識とヘイトスピーチ検出のためのデータセットの実験では、さまざまな LLM アーキテクチャにわたってパーソナライズされた方法で一貫したパフォーマンスの向上が示されています。
これらの調査結果は、主観的なテキスト認識タスクにおける LLM 機能を強化するためのパーソナライゼーションの重要性を強調しています。

要約(オリジナル)

Large language models (LLMs) have significantly advanced Natural Language Processing (NLP) tasks in recent years. However, their universal nature poses limitations in scenarios requiring personalized responses, such as recommendation systems and chatbots. This paper investigates methods to personalize LLMs, comparing fine-tuning and zero-shot reasoning approaches on subjective tasks. Results demonstrate that personalized fine-tuning improves model reasoning compared to non-personalized models. Experiments on datasets for emotion recognition and hate speech detection show consistent performance gains with personalized methods across different LLM architectures. These findings underscore the importance of personalization for enhancing LLM capabilities in subjective text perception tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google