PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2511.00609v4cs.AI

PreferThinker: 추론 기반 개인화 이미지 선호도 평가

PreferThinker: Reasoning-based Personalized Image Preference Assessment

개인화된 이미지 선호도 평가는 사전 정보로 소량의 참조 이미지만을 활용하여 개별 사용자의 이미지 선호도를 평가하는 것을 목표로 한다. 기존 방법은 주로 일반적인 선호도 평가에 초점을 맞추며, 텍스트-이미지 정렬(text-image alignment)과 같이 잘 정의된 과제를 다루기 위해 대규모 데이터로 모델을 학습한다. 그러나 이러한 접근법은 사용자별 데이터가 희소하고 쉽게 확장되지 않으며, 개인의 취향이 종종 다양하고 복잡하기 때문에 개인화된 선호도를 처리하는 데 어려움을 겪는다. 이러한 과제를 극복하기 위해, 사용자 간 연결고리 역할을 하는 공통 선호도 프로필을 도입하여, 대규모 사용자 데이터를 프로필 예측 학습과 복잡한 개인화 선호도 포착에 활용할 수 있게 한다. 이 아이디어를 바탕으로, predict-then-assess 패러다임을 따르는 추론 기반 개인화 이미지 선호도 평가 프레임워크를 제안한다: 먼저 참조 이미지로부터 사용자의 선호도 프로필을 예측한 다음, 예측된 프로필을 기반으로 후보 이미지에 대한 해석 가능한 다차원 점수와 평가를 제공한다. 이를 뒷받침하기 위해, 다양한 사용자 선호도 프로필과 고품질 사고의 연쇄(Chain-of-Thought, CoT) 스타일 추론으로 주석 처리된 대규모 CoT 스타일 개인화 평가 데이터셋을 먼저 구축하여, 구조화된 추론에 대한 명시적 지도를 가능하게 한다. 다음으로, 2단계 학습 전략을 채택한다: 구조화된 추론 능력을 모델에 부여하는 cold-start 지도 미세조정 단계와, 모델이 더 합리적인 평가 경로를 탐험하고 일반화를 향상하도록 유인하는 강화학습 단계. 또한 사용자 선호도 프로필의 더 나은 예측을 장려하고, 이를 통해 더 합리적인 평가 탐험을 촉진하는 유사도 인식 예측 보상을 제안한다. 광범위한 실험을 통해 제안 방법의 우수성을 입증한다.