基于大语言模型的组合分配中的偏好 elicitation
机器学习
2025-11-11 v2 计算机视觉与模式识别
摘要
我们研究了大语言模型 (LLM) 作为人类代理以简化组合分配中的偏好 elicitation (PE) 的潜力。虽然传统 PE 方法依赖于反复查询以捕获偏好，但 LLM 提供一种以一次性查询实现的替代方案，可显著减少人类工作量。我们提出一种 LLM 代理框架，可与 SOTA ML-powered 偏好 elicitation 方案协同工作。我们的框架处理 LLM 引入的新挑战，包括响应变异性和计算成本增加。我们在 well-studied 的课程分配领域中实验评估了 LLM 代理与人类查询的效率，并探讨了成功所需的模型能力。我们发现，我们的方法可提高分配效率最高可达 20%，且这些结果在不同 LLM 之间和报告质量和准确性差异下均具有稳健性。
关键词
引用
@article{arxiv.2502.10307,
title = {SPIRIT: Short-term Prediction of solar IRradIance for zero-shot Transfer learning using Foundation Models},
author = {Aditya Mishra and Ravindra T and Srinivasan Iyengar and Shivkumar Kalyanaraman and Ponnurangam Kumaraguru},
journal= {arXiv preprint arXiv:2502.10307},
year = {2025}
}