提出PEARL方法选择性遗忘以应对部分偏好漂移

Rashmi Gangadharaiah 与 Balakrishnan Narayanaswamy 在 arXiv 提交论文，提出 PEARL（预测误差自适应正则化学习方法）：沿预测出错的特征方向逆转 Gram 矩阵更新，实现选择性遗忘，以应对部分偏好漂移，其他方向的置信度保持不变。 论文称，其选择策略是约 10 万参数的 MLP，可在 CPU 上毫秒级运行，不改动 LLM 权重，适用于任何 API 模型。在包含 1,500 名用户、21 个 LLM 的个性化响应选择基准 PRISM 上，PEARL 比贪心方法高 4.0 分，比最佳神经老虎机基线高 2.5 分（p<0.001）。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。