Seoyeon Kim

大型语言模型个性化研究解决过度个性化和偏好漂移问题 · 跟踪 2 个来源

两篇新研究论文解决了大型语言模型 (LLM) 中过度个性化的挑战。第一篇论文《通过结构化记忆缓解大型语言模型中的过度个性化》提出了一种在推理时修改向模型呈现记忆的方式，按领域划分记忆以减少跨领域泄露和记忆引起的谄媚。第二篇论文《SPRInG: 通过选择性参数适应和检索插值生成实现持续 LLM 个性化》引入了一个半参数框架，该框架使用漂移驱动的选择性适应来识别真实的偏好转移，并将参数知识与检索到的历史融合，以实现更稳健的持续个性化。