Evolutionary Multi-Objective Optimization of Large Language Model Prompts for Balancing Sentiments

要約

ChatGPT などの大規模言語モデル (LLM) の出現は、その優れたパフォーマンスと多用途性により、さまざまな分野で大きな注目を集めています。
これらのモデルの使用が増え続けるにつれて、効果的な迅速なエンジニアリングの重要性がクローズアップされています。
迅速な最適化は、モデルのパフォーマンスと関連情報の抽出に直接影響するため、重要な課題として浮上しています。
最近、進化的アルゴリズム (EA) がこの問題の解決に有望であることが示され、新しい最適化戦略への道が開かれました。
この研究では、感情分析をケーススタディとして使用し、EMO-Prompts と呼ばれる即時最適化に特化した進化的多目的 (EMO) アプローチを提案します。
私たちは感情分析機能を実験ターゲットとして使用します。
私たちの結果は、EMO プロンプトが、2 つの相反する感情を同時に具体化するテキストを生成するように LLM を誘導できるプロンプトを効果的に生成することを示しています。

要約(オリジナル)

The advent of large language models (LLMs) such as ChatGPT has attracted considerable attention in various domains due to their remarkable performance and versatility. As the use of these models continues to grow, the importance of effective prompt engineering has come to the fore. Prompt optimization emerges as a crucial challenge, as it has a direct impact on model performance and the extraction of relevant information. Recently, evolutionary algorithms (EAs) have shown promise in addressing this issue, paving the way for novel optimization strategies. In this work, we propose a evolutionary multi-objective (EMO) approach specifically tailored for prompt optimization called EMO-Prompts, using sentiment analysis as a case study. We use sentiment analysis capabilities as our experimental targets. Our results demonstrate that EMO-Prompts effectively generates prompts capable of guiding the LLM to produce texts embodying two conflicting emotions simultaneously.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google