هوش مصنوعی
AdKnob برای کنترل شدت و برچسب‌گذاری تبلیغات در پاسخ‌های مدل‌های زبانی پیشنهاد شد
پیش‌چاپی در arXiv چارچوبی معرفی می‌کند که با توکن‌های کنترلی و بهینه‌سازی ترجیحی، میزان برجستگی تبلیغ را تنظیم می‌کند و بخش‌های تبلیغاتی متن را با روشی مبتنی بر attention rollout مشخص می‌سازد.
پژوهشگران در پیش‌چاپ AdKnob دو مسئلهٔ تبلیغات بومی در پاسخ‌های مدل‌های زبانی بزرگ را بررسی کرده‌اند: کنترل میزان برجستگی تبلیغ و شناسایی بخش‌هایی از متن تولیدشده که تبلیغ به‌شمار می‌آیند. برای تنظیم شدت تبلیغ، این چارچوب توکن‌های کنترلی تازه‌ای معرفی می‌کند که ارتباط معناییِ ازپیش‌آموخته‌شده ندارند؛ سپس مدل با روش بهینه‌سازی مستقیم ترجیحات (DPO) برای تولید تبلیغ در سطوح شدتِ موردنظر هم‌تراز می‌شود. برای برچسب‌گذاری تبلیغات نیز پژوهشگران روشی مبتنی بر attention rollout پیشنهاد کرده‌اند. چکیدهٔ منتشرشده جزئیات بیشتری دربارهٔ ارزیابی یا عملکرد این روش ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده