抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
個人化知能(PI)は,各個人ユーザに合わせたカスタマイズAI経験を提供する問題である。多くの応用において,PIは好まれるか,さらに必要だった。既存の個人化手法は,新しいカスタマイズモデルを作成するための微調整前訓練モデルを含む。しかし,これらのアプローチでは,訓練,モデルサイズとユーザ数によるスケーリング,PIの阻害が広く実現される。本研究では,スケールにおける個人化知能を可能にする新しいモデルアーキテクチャと訓練/推論フレームワークを導入した。事前訓練言語モデル(LM)に個人化ヘッド(PH)を取り付けることによってこれを達成した。訓練中,ベースLMは凍結され,PHのパラメータだけが更新され,ユーザごとにユニークである。これは,多くのユーザを横断したときに,従来の微調整手法よりも,かなり小さな全体モデルサイズと訓練コストをもたらす。学界と産業焦点データセットに関するPHsを評価し,PHsがF1スコアにおいてゼロショット基準を超え,従来の微調整手法よりも著しくスケーラブルであることを示した。効果的なPH設計と訓練に必要な主要因子を同定した。【JST・京大機械翻訳】