개인화된 대규모 언어 모델(LLM)이 사용자 속성(나이, 직업, 장애 여부 등)을 메모리로 주입할 때 최종 답변은 그대로여도 추론 과정 자체가 달라지는 현상(symbolic drift)을 정량화하기 위해, 정답 없이 가치 온톨로지 기반의 추론 궤적 발산을 측정하는 프레임워크 DRIFTLENS를 제안한다. 4개의 LLM과 10개의 사용자 속성 카테고리에서 중·대규모의 추론 드리프트가 확인되었으며, GRPO·DPO 기반 사후학습(post-training)으로 드리프트를 줄일 수 있었지만 어느 방법도 모든 모델에서 일관되게 우세하지 않았고 하위 능력·유용성과의 트레이드오프가 존재함을 보인다.
연구자들은 문헌 관리 도구에서 수집한 논문을 개인 폴더 계층 구조로 정리하고, 새로운 논문이 들어올 때마다 적절한 폴더로 라우팅한다. 이 작업은 표준 계층적 텍스트 분류(classification)와 다르다. 사용자의 폴더 계층 구조는 고정된 공유 분류 체계가 아니라, 폴더 의미가 주제 기반, 약칭, 발표 장소 기반, 또는 프로세스 지향적일 수 있는 사적이고 진화하는 개인 분류 체계(folksonomy)이며, 그 의미는 이미 저장된 논문들에 의해 정의되는 경우가 많다. 우리는 이 설정을 개인화된 계층적 논문 라우팅(PHPR, personalized hierarchical paper routing)으로 공식화한다: 사용자별 학습(training) 없이 사용자 고유 계층 구조의 폴더에 입력 논문을 할당하는 것이다. 우리는 폴더 이름만이 아니라 폴더 내 구성원 논문에 라우팅 결정을 근거하는 학습 불필요 LLM 에이전트(agent)인 PaperRouter-Agent를 제안한다. 이 에이전트는 먼저 후보 계층 구조를 좁히고, 폴더별 증거를 검색하며, 구성원 논문을 검사하여 적합성을 검증하고, 과거 사용자 거절 이력으로부터 유사도 게이팅 피드백을 반영한다. 실제 개인 문헌 라이브러리에 대한 형성적 연구에서 PaperRouter-Agent는 전체 Recall@1을 0.39에서 0.61로, Recall@3을 0.57에서 0.83으로 향상시켰으며, 발표 장소나 연도 등 메타데이터로 정의된 조직적 폴더에서 가장 큰 성능 향상을 보였다(Recall@1 0.09에서 0.50). 단일 시도 방법이 이러한 폴더에서 무력화되는 반면, 공개 LaMP-2 벤치마크(benchmark)에서는 동일한 접근법이 단일 시도 기준선(baseline) 대비 정확도를 44.5%에서 51.5%로 향상시켰으며(매크로-F1 +9.0), 실용적 사용에 적합한 낮은 비용을 유지하였다.
감성 지능은 인간이 감정을 인식하고, 원인을 추론하며, 개입 방안을 도출하고, 원하는 감성 상태를 달성하기 위해 환경을 수정할 수 있게 한다. 인공지능(AI)의 최근 발전에도 불구하고, 현재 모델들은 사실적인 콘텐츠를 생성하거나 의미론적 추론을 수행하는 데 그치며, 인간의 감성 반응을 이해하고 예측하며 개인화하는 능력은 거의 갖추고 있지 않다. 본 연구에서는 심층 학습과 상징적 추론을 통합하여 시각적 콘텐츠를 통한 개인화된 감성 증강을 가능하게 하는 하이브리드 AI 프레임워크인 EROS(Emotion-augmented geneRatiOn System)를 소개한다. 대규모 이미지-감성 데이터셋을 활용하여, EROS는 일반화 가능한 감성 규칙을 발견하고, 감성과 관련된 이미지 영역을 식별하며, 장면의 의미론적 구조를 보존하면서 감성 반응을 원하는 목표 방향으로 유도하는 맥락 인식 시각적 수정을 예측한다. 개인 간 변이성을 고려하기 위해, EROS는 모델 미세조정 없이 추론 시점의 개인화를 지원하는 확장 가능한 메모리 뱅크를 통합하여, 해석 가능한 감성 프로파일과 신규 사용자에 대한 빠른 적응을 제공한다. 광범위한 인간 심리물리학 실험을 통해, EROS는 개인의 감성적 선호에 적응하면서 최신 대형 멀티모달 모델들보다 더 효과적으로 목표 감성 반응을 유발하는 것으로 나타났다. 감성 컴퓨팅을 넘어, EROS는 인간의 인지 상태를 이해하고 추론하며 증강할 수 있는 AI 시스템의 토대를 제공하며, 정신 건강, 적응형 미디어, 교육, 인간-컴퓨터 상호작용 분야에서의 잠재적 응용 가능성을 갖는다.
의학에서 마케팅, 사회과학에 이르기까지 개인에게 맞춤화된 개입을 제공한다는 가능성은 부인할 수 없다. 그러나 실제 적용에서는 개인화의 잠재적 이점과 그로 인한 비용 증가 및 취약성을 균형 있게 고려해야 한다. 우리는 역사적 데이터를 기반으로, 개인화된 개입 정책의 성능이 단일 최적 개입을 일괄 적용하는 방식을 능가할 것이라는 증거를 평가하는 통계적 가설 검정을 제안한다. 이 검정은 엄격한 1종 오류 제어를 유지하면서, 명시된 조건하에 최소 가능 분산으로 점근적 정규성을 달성한다. 직업 학습, 우울증 치료, 교육 및 추천 시스템 등 다양한 데이터셋에 대한 실험 결과는 이 검정의 범용성과 대안 방법들에 비한 우수한 성능을 입증한다. 이 검정은 개인화의 잠재적 이점을 간단하고 강력하게 정량화함으로써 개입 과학 전반에 걸쳐 의사결정자를 지원할 수 있다.
인간-로봇 상호작용(HRI)에서 개인화가 핵심 기능으로 부상함에 따라 자율성 침식, 편향된 사용자 모델링, 조작, 비인간화, 프라이버시 침해 등의 윤리적 위험이 증폭될 수 있다는 점에 주목하여, 이 연구는 로봇의 구현성(embodiment)을 고려한 생애주기 기반의 맥락 민감형 책임 있는 개인화 프레임워크를 제시한다. 개인화 프로세스의 각 단계를 단기/장기, 개방형/폐쇄형 도메인 상호작용 유형과 결합하여 위험의 발생 양상을 체계적으로 분석하고, 실행 가능한 설계 권고사항과 미해결 연구 과제를 도출하였다.
관련 작업 간 정보를 통합하면 전이 학습, 다중 작업 학습, 연합 학습에서 추정 및 예측 성능을 향상시킬 수 있지만, 오염(contamination)과 이질성(heterogeneity)으로 인해 강건한 정보 차용(borrowing)이 어렵다. 본 연구에서는 각각 표본 크기 $n$을 가진 $K$개의 작업 중 $ε$ 비율의 작업이 임의로 오염될 수 있고 나머지 작업은 이질적인, 오염된 다중 작업 경험적 위험 최소화(ERM) 프레임워크를 연구한다. 우리의 목표는 평균 위험의 전역 최솟값과 정제된 작업별 최솟값을 모두 추정함으로써 강건성과 개인화를 동시에 달성하는 것이다. 가우시안 평균 모델에서, 공유 중심 주변의 적응적·강건 정규화, 전역 행렬 정규화, 분해 기반 정규화, 점수 기반 이상 작업 탐지 등 여러 일반적인 패러다임이 모두 $ε\sqrt{d/n}$ 차수의 최악 오염 오차를 보임을 보여주며, 이는 하한(lower bound) $ε/\sqrt{n}$에 비해 최적이 아님을 밝힌다. 이를 통해 이러한 접근법들의 차원 의존적 장벽을 식별한다. 이어서 일반적인 이질적 ERM 설정에 대한 미니맥스(minimax) 하한을 확립하고, 계산 효율적인 필터링 기반 강건 다중 작업 경사하강법을 제안한다. 국소 강볼록성(local strong convexity), 평활성(smoothness), 서브-가우시안 그래디언트 가정 하에서, 제안된 방법은 광범위한 구간에서 로그 인수(logarithmic factor)까지 미니맥스 속도에 일치하는 고확률 상한을 달성한다. 특히, 많은 정규화 기반 방법 및 점수 기반 이상 탐지에서 나타나는 추가적인 $\sqrt{d}$ 오염 의존성을 제거하면서, 강한 이질성 하에서도 로컬 작업에 대한 개인화를 달성한다. 시뮬레이션과 실제 데이터 분석은 광범위한 벤치마크 방법들에 비해 강한 강건성과 개인화를 입증한다.
인간 행동 인식(HAR) 도메인에서 FedAvg 알고리즘을 적용해 중앙화, 로컬, 연합 학습 패러다임 간 개인화 정확도와 일반화 정확도의 트레이드오프를 분석한 연구로, RealWorld2016 데이터셋과 Flower 프레임워크를 활용한 실험 결과 FedAvg가 전통적 중앙화 학습 대비 높은 개인화 능력을 유지하지만, 클라이언트 간 클래스 분포가 변화하는 비IID 조건에서는 이 이점이 불분명해짐을 보였다.
LLM 기반 에이전트는 사용자가 구체적이지 않은 원시 질의를 입력할 때 개인화에 어려움을 겪는다. 이 설정에서 에이전트는 잠재적 의도를 추론하고, 노이즈가 포함된 상호작용 이력에서 선호도를 추출하며, 경쟁하는 대안들 중에서 선택해야 한다. 기존 벤치마크는 사용자가 정제한 질의나 단순화된 이력에 의존하는 경우가 많아 이 역량을 거의 테스트하지 않는다. 우리는 원시 질의와 다양한 이력 하에서 에이전트 개인화를 위한 테스트베드인 개인화 상품 검색(PPS)을 소개한다. 우리는 행동 로그로부터 Agent Personalized Benchmark(APeB)를 구축하여, 구체적이지 않은 의도와 풍부한 이력 및 사용자가 열람한 후보 아이템을 쌍으로 연결한다. 다단계 에이전트 워크플로우를 사용해 최신 LLM을 평가한 결과, 모델은 명시적인 질의는 잘 처리하지만 의도 및 선호도 발견이 필요한 초기 단계 질의에서는 어려움을 겪는 것으로 나타났다. 루브릭 분석에 따르면 이 격차는 주로 비효과적인 이력 활용에 기인한다. 단순한 이력 인식 질의 정제 파이프라인인 VQRA는 일관된 성능 향상을 보여주며, 개인화 에이전트에서 전용 이력 활용 모듈의 필요성을 부각시킨다.
Large language models (LLMs) are increasingly used by end users, yet existing personalization methods relying on static profiles or text-only signals fail to capture query-specific expertise variation. We present ExPerT, a query-wise personalization framework that adapts LLM responses to users' query domain expertise by combining semantic and behavioral cues. ExPerT consists of two key components: (i) a semantic-behavioral expertise inference module that jointly interprets query text and keystroke dynamics via in-context LLM prompting, and (ii) an expertise-conditioned response generation that adapts the level of detail, terminology, and conceptual complexity. Our user study with 40 participants and 1270 queries demonstrated that ExPerT reduced expertise inference error by 65.7% compared to the strongest baseline (MAE = 0.398 vs. 1.162) and improved response satisfaction by 17.52% (from 3.71 to 4.36) on a 5-point Likert scale.
We present a three-phase deep reinforcement learning system for personalized portfolio management that addresses three limitations shared by all prior financial RL work: 1) ticker lock-in, 2) monolithic objectives , and 3) static user models. Phase 1 pretrains a ticker-identity-free cross asset encoder via self-supervised learning on a multi-asset corpus, augmented by a frozen parallel branch using Chronos, a T5-based time series foundation model, fused via a learned gating mechanism. To our knowledge, this is the first application of a time series foundation model to portfolio management RL. The encoder generalizes to any publicly traded asset via a 50-dimensional observable metadata vector that requires no retraining for new tickers. Phase 2 fine-tunes a MoE (Mixture of Experts) portfolio actor critic with PPO under an objective-conditioned reward that simultaneously serves six distinct investment goals sampled per episode: short-term alpha, short-term gain, long-term gain, capital preservation, tax-loss harvesting, and long-term-gains-only. A MoE architecture assigns each objective to a specialized expert head (momentum, growth, defensive, tax-aware), and a learned intent router blends experts based on the active objective and current market regime, which eliminates cross-objective gradient conflict. Phase 3 adds a lightweight personalization layer further adapted at inference time to each individual via a 76-parameter LoRA module fine-tuned on real brokerage transaction history, inferring investment objectives from revealed trading behavior rather than questionnaires. A natural language intent parser converts free-form goals directly into structured investment objective parameters.
소형 언어 모델(SLM)은 노트북과 같은 엣지 디바이스에 배포하는 방안이 점점 더 검토되고 있으며, 이는 사적이고 저지연·로컬 개인화 애플리케이션을 가능하게 한다. 그러나 개인화를 위해서는 모델이 시간에 따라 변화하는 사용자별 또는 작업별 데이터에 적응해야 하므로, 이는 지속 학습 설정에 해당한다. 이는 치명적 망각(catastrophic forgetting)의 위험을 초래하는데, 새로운 정보를 학습하면 이전에 학습한 작업이나 더 넓은 모델 역량에서의 성능이 저하된다. TRACE와 같은 최근 벤치마크는 지속적 미세조정이 정렬(alignment)된 대규모 언어 모델의 일반 능력을 크게 저하시킬 수 있음을 보여 주었다. 본 연구에서는 SLM의 순차적 LoRA 개인화에 대한 연구를 제시한다. 각 적응 단계 후 모델 체크포인트를 저장하고, 현재 작업, 이전에 본 작업, 고정된 참조 집합(reference set)에 대해 이를 평가한다. 이 체크포인트 수준 프로토콜을 통해 시간에 따른 작업 성능, 망각, 참조 집합 분포 이동(drift)을 모니터링할 수 있다. 우리는 경량 참조 집합 분포 진단이 SLM의 순차적 LoRA 개인화 동안 모델별 불안정성 패턴을 드러낼 수 있음을 보인다. 여기에는 작업 수준 지표만으로는 유해한 적응을 숨기는 경우도 포함된다. 이것이 지속 학습 설정에서 SLM의 안정성을 모니터링하기 위한 새로운 연구 방향을 부각하는 데 도움이 되기를 바란다.
SocialPersona는 171명의 종단적 소셜 미디어 타임라인(텍스트·이미지·타임스탬프)에서 드러난 선호를 복원해 프로파일을 구축하고 대화에 반영하는 멀티모달 LLM(MLLM) 개인화 능력을 평가하는 벤치마크로, 안정적 관심과 최근 관심을 구분하는 7개 도메인·2,597개의 사람 검증 선호 태그를 제공한다. 독점·오픈 가중치 MLLM 실험에서는 넓은 관심 도메인 식별은 가능하나 세분화·최근 관심 추론과 추론된 프로파일 기반 대화 개인화에서 성능이 크게 떨어지며, 텍스트와 이미지가 상보적 선호 신호를 제공한다는 점에서 강건한 cross-modal 장기 사용자 모델링이 핵심 과제로 남아 있음을 보인다.
자원이 제한되거나 프라이버시에 민감한 환경에서 개인화와 문맥 그라운딩을 한꺼번에 학습하는 기존 방식의 한계를 GRAG(Generic Response-Augmented Generation)가 고용량 범용 LLM의 오프라인 범용 응답을 스캐폴드로 활용해 콘텐츠 그라운딩과 페르소나 주입을 분리함으로써 해결한다. 사전·사후 융합 아키텍처로 구현한 GRAG는 여러 벤치마크 대화 데이터셋에서 보조 스캐폴딩 없는 최신 방법 대비 ROUGE-2 최대 47%, BLEU 36% 향상을 보였다.
웨어러블 기반 스트레스 감지에서 개인 간 생리적 반응 차이로 인한 개인화(personalization) 문제를 해결하기 위해, 라벨링된 사용자 데이터 없이 동결된 외부 도메인 파운데이션 모델로 유사 패턴을 검색해 경량 transformer에 주입하는 검색-증강 개인화(retrieval-augmented personalization) 방식을 제안한다. WESAD 데이터셋에서 비개인화 baseline 대비 정확도 +3.92%, macro F1 +4.76% 향상을 달성했으며, K-Emocon 임베딩을 활용한 크로스 데이터셋 검색 시나리오에서도 효과를 입증했다.
Modern AIGC pipelines deliver high-fidelity images and videos but presuppose a well-formed creation instruction, while end users rarely articulate visual details, leaving generators misaligned with user demand. We study personalized content generation, which turns a user's interaction history into an executable instruction for downstream synthesis, and identify two obstacles: behavior must be encoded in a form legible to language reasoning, and the model must acquire instruction-writing skill absent from both pretraining and behavior data. We propose NaviGen, which represents each item with a dual identifier coupling a collaborative code and a textual code as a behavioral substrate and a semantic bridge in one token stream. On this representation, a two-stage SFT+RL pipeline first distills preference reasoning and instruction writing from evolutionarily searched supervision, then aligns generation with user intent through hierarchical and self-consistent rewards. Experiments across product, game, and short-video domains show that NaviGen improves personalized image and video generation, strengthens next-item prediction, and yields more specific, relevant, and visually generatable instructions. Our code is anonymously released at: https://github.com/iLearn-Lab/NaviGen.
대규모 언어 모델(LLM)을 개인화하려면 장기적이고 사용자별 행동 패턴을 계산적으로 효율적이며, 확장 가능하고, 고정된 베이스 모델과 호환되는 방식으로 인코딩해야 한다. 우리는 사용자별 이력을 해석 가능한 N개의 잠재 슬롯으로 구성된 컴팩트하고 지속적인 행렬로 표현하는 확장 가능한 프레임워크인 Latent Personal Memory(LPM)를 제안한다. 공유 크로스 어텐션(cross-attention) 투영 네트워크가 이러한 슬롯을 동적이고 입력 조건형 소프트 프롬프트로 매핑하며, 이를 고정된 LLM의 입력 앞에 붙인다. Qwen3-1.7B, 4B, 8B 백본에서 PersonaMem v1 및 LoCOMO 벤치마크上 LPM을 평가한다. 결과는 PersonaMem v1에서 LPM이 전체 정확도 기준 LoRA 대비 최대 8.8%, Prompt Tuning 대비 최대 54.4% 더 우수한 성능을 보이며, KV-cache 사용량을 64배 이상 줄였음을 보여준다. LoCoMo에서는 LPM이 학습 가능한 파라미터를 120배 적게 사용하면서 LoRA와 동일한 정확도를 달성한다. 또한 LPM의 효율성이 컨텍스트 길이에 따라 증가하며, 128K 컨텍스트 길이에서 full-context 방식을 능가함을 보인다.
개인화 콘텐츠 시스템은 사용 가능한 UGC(사용자 생성 콘텐츠)에 의존하며, 적합한 콘텐츠가 없거나 지연되거나 생성 비용이 클 때 어려움을 겪는다. 멀티모달 생성기가 필요에 따라 콘텐츠를 합성할 수 있지만, 행동 흔적을 생성 준비가 된 선호로 변환하는 방법은 아직 충분히 탐구되지 않았다. 우리는 개인화 멀티모달 콘텐츠 생성을 연구한다: 기존 아이템 풀 없이 또는 일치하는 UGC를 기다리지 않고 사용자에 맞춤화된 멀티모달 콘텐츠를 생성하는 것이다. 우리는 협업 선호 모델링과 제어 가능한 멀티모달 생성을 연결하는 TailorMind를 제안한다. TailorMind는 하이퍼그래프 협업 필터링을 통해 희소한 사용자 이력을 보강하고, 랭킹 오류 피드백과 텍스트 그래디언트 경사하강법으로 텍스트 프로파일을 최적화한다. 검색-증강 스타일 제어는 출력을 실제 UGC 패턴에 그라운딩하고, 교차 모달 응집성 반영은 의미적 드리프트를 줄인다. 우리는 세 개의 주류 플랫폼에서 구축한 벤치마크 TailorBench를 만들며, 일관성, 참신성, 미적 품질, 환각, 프로파일링 다섯 차원으로 평가한다. 실험 결과 TailorMind는 경쟁력 있거나 더 강한 일관성을 달성하고, 대표적인 생성 베이스라인 및 ground-truth UGC 대비 참신성과 미적 품질을 개선하며, 사용 가능한 콘텐츠 또는 유사 UGC를 검색하는 방식보다 우위를 보인다. 동시에 재순위화에서 최대 29%의 재현율 향상을 달성한다. 코드는 https://github.com/iLearn-Lab/TailorMind 에서 공개되어 있다.
파운데이션 모델은 오프라인 예측기에서 장기간 운영될 것으로 기대되는 배포된 시스템으로 전환되고 있습니다. 실제 배포 환경에서는 목표가 고정되지 않습니다. 도메인 드리프트(drift)가 발생하고, 사용자 선호도가 변화하며, 모델 출시 후 새로운 작업이 등장합니다. 이는 지속 학습(continual learning)과 즉각적 개인화를 선택적 기능에서 핵심 아키텍처 요구사항으로 격상시킵니다. 그러나 대부분의 적응 파이프라인은 여전히 정적 가중치 패러다임을 따릅니다. 학습(training) 또는 적응 단계 후, 추론(inference)은 사용자 의도, 도메인, 인스턴스별 제약 조건에 관계없이 단일 매개변수 벡터를 실행합니다. 이는 학습되거나 적응된 모델을 매개변수 공간의 단일 점으로 취급합니다. 이질적이고 지속적으로 진화하는 환경에서는 서로 다른 목표가 매개변수에 대해 분리된 실현 가능한 영역을 유도할 수 있어, 단일 공유 업데이트가 타협, 간섭, 또는 과도한 특화로 강요됩니다. 결과적으로, 지속 학습과 개인화는 종종 공유 가중치의 반복적인 덮어쓰기로 구현되며, 이는 이전에 학습된 행동의 성능 저하 위험을 초래합니다. 우리는 단일 공유 매개변수 점을 덮어쓰는 것에서 적응 압력을 옮기는 메모리 우선 적응 프레임워크인 HY-WU (Weight Unleashing)를 제안합니다. HY-WU는 기능적(연산자 수준) 메모리를 신경 모듈로 구현합니다. 이는 인스턴스 조건에서 즉석으로 가중치 업데이트를 합성하여, 테스트 타임 최적화 없이 인스턴스별 연산자를 생성하는 생성기입니다.
MemRerank는 긴 구매 이력을 쿼리와 무관하게 재사용 가능한 간결한 선호도 메모리로 압축해 LLM 기반 제품 재정렬에 활용하는 프레임워크로, Amazon-C4와 Amazon-Review-2023 기반 벤치마크에서 GRPO로 메모리 추출기를 다운스트림 setwise 리랭커 피드백으로 학습한다. Electronics·Beauty Personal Care 등에서 네 가지 1단계 검색기와 홀드아웃 검색기 기준 매크로 평균 MRR@10·MRR@5가 최고이며, 원본 이력이나 MR.Rec보다 훨씬 짧은 메모리로 1-in-5 정확도 최대 +10.61%p 향상을 달성한다.
User as Engram은 개인 메모리를 사용자별 사실(내용)과 공유 추론 능력으로 나누어, 사실은 Engram 모델의 해시 키 메모리 테이블에 국소 편집으로 저장하고 추론은 공유 LoRA 어댑터에 담는 계층적 설계를 제안한다. 사용자별 LoRA와 직접 회상 성능은 맞추면서 간접 추론 정확도는 평균 5.6배 높이고 메모리 사용량은 약 33,000배 작으며, 서로 다른 사용자의 편집이 겹치지 않는 해시 슬롯에 쌓여 하나의 공유 테이블에서 다중 사용자를 손실 없이 지원한다.