@techreport{oai:ipsj.ixsq.nii.ac.jp:00235105,
 author = {趙, 羽風 and 坂井, 吉弘 and 加藤, 万理子 and 田中, 健史朗 and 石井, 晶 and 井之上, 直也},
 issue = {14},
 month = {Jun},
 note = {文脈内学習 (In-Context Learning; ICL) のタスクでは通常，ラベル空間に含まれるラベルトークンの生成確率を比べることで推論結果を決定するが，そのラベルトークンの選択は人間により恣意的に行われる．いくつかの先行研究は，これらのラベルトークンの生成確率の較正が ICL の性能向上に寄与することを明らかにしたが，これらの手法には依然として，人間が最適ではないラベルトークンを選べてしまうという問題が残る．そこで，本研究ではまず (1) LLM の隠れ状態を分析することで，現行のトークンベースの較正手法では，隠れ状態が持つ有益な情報をうまく表現出来ないことを明らかにする．そして，(2) 人間によるラベルトークン選択の影響を低減し，隠れ状態に含まれる有益な情報を効果的に利用出来る新たな ICL の手法を提案する．実験の結果，我々の提案手法は 3 つのモデルと 10 個の分類データセットでの実験で，現在のトークンベースの較正手法を約 20% 上回る性能を発揮した．},
 title = {In-Context Learningにおけるトークンベース較正手法の用いる決定境界は最適でない},
 year = {2024}
}