Maximal Marginal Relevance (MMR)アルゴリズムによる多様な例示の選択最適化
Maximal Marginal Relevance (MMR)アルゴリズムによる多様な例示の選択最適化とは、情報検索や推薦システムにおいて、検索結果や推薦リストの「関連性」と「多様性」を同時に最大化するための手法です。特にプロンプトエンジニアリングにおける例示（in-context learningの例）選定基準として注目されており、大規模言語モデル（LLM）の応答品質を向上させる上で極めて重要です。このアルゴリズムは、まずクエリとの関連性が高い候補を選び、次に既に選ばれた候補との類似度が低い（＝多様性が高い）ものを優先して追加することで、重複を避けつつ幅広い視点や情報を網羅した例示セットを構築します。これにより、LLMがより多角的な学習を行い、特定の情報に偏らず、堅牢で高品質な出力を生成することが期待されます。親トピックである「例示の選定基準」において、その効果的な実現手段の一つとして位置づけられます。
Maximal Marginal Relevance (MMR)アルゴリズムによる多様な例示の選択最適化とは
Maximal Marginal Relevance (MMR)アルゴリズムによる多様な例示の選択最適化とは、情報検索や推薦システムにおいて、検索結果や推薦リストの「関連性」と「多様性」を同時に最大化するための手法です。特にプロンプトエンジニアリングにおける例示（in-context learningの例）選定基準として注目されており、大規模言語モデル（LLM）の応答品質を向上させる上で極めて重要です。このアルゴリズムは、まずクエリとの関連性が高い候補を選び、次に既に選ばれた候補との類似度が低い（＝多様性が高い）ものを優先して追加することで、重複を避けつつ幅広い視点や情報を網羅した例示セットを構築します。これにより、LLMがより多角的な学習を行い、特定の情報に偏らず、堅牢で高品質な出力を生成することが期待されます。親トピックである「例示の選定基準」において、その効果的な実現手段の一つとして位置づけられます。
このキーワードが属するテーマ
このキーワードに紐付く記事はまだありません