Personalized Causal Graph Reasoning for LLMs: A Case Study on Dietary Recommendations

要約

大規模な言語モデル（LLMS）は、一般的な推論のために共通の知識を効果的に活用していますが、マルチファクターの個人データの解釈を任されている場合、パーソナライズされた推論に苦労しています。
この制限は、個人に合わせたコンテキスト認識の意思決定を必要とするドメインでの適用性を制限します。
このペーパーでは、個人のデータから派生した個人的な因果グラフを組み込むことにより、LLMの推論を強化するエージェントフレームワークとして、個別化された因果グラフの推論を紹介します。
これらのグラフは、LLMの推論プロセスを導く基盤を提供します。
暗黙のユニークな食事効果のために個人的な推論が必要な栄養指向の食事の推奨事項に関するケーススタディでそれを評価します。
グルコース管理のためのLLM推奨食品の効率を推定するための反事実的評価を提案します。
結果は、提案された方法が3つのタイムウィンドウで平均グルコースIAUCを減らすためのパーソナライズされた食事の推奨事項を効率的に提供し、以前のアプローチを上回ることを示しています。
LLM-As-A-A-Judgeの評価結果は、提案された方法が推論プロセスにおけるパーソナライズを強化することを示しています。

要約(オリジナル)

Large Language Models (LLMs) effectively leverage common-sense knowledge for general reasoning, yet they struggle with personalized reasoning when tasked with interpreting multifactor personal data. This limitation restricts their applicability in domains that require context-aware decision-making tailored to individuals. This paper introduces Personalized Causal Graph Reasoning as an agentic framework that enhances LLM reasoning by incorporating personal causal graphs derived from data of individuals. These graphs provide a foundation that guides the LLM’s reasoning process. We evaluate it on a case study on nutrient-oriented dietary recommendations, which requires personal reasoning due to the implicit unique dietary effects. We propose a counterfactual evaluation to estimate the efficiency of LLM-recommended foods for glucose management. Results demonstrate that the proposed method efficiently provides personalized dietary recommendations to reduce average glucose iAUC across three time windows, which outperforms the previous approach. LLM-as-a-judge evaluation results indicate that our proposed method enhances personalization in the reasoning process.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google