ترجمه فارسی مقاله یک چارچوب تنظیم جمعیت به فردی برای تطبیق LM از پیش تنظیم شده با پیش بینی قصد کاربر در دستگاه

چکیده

Mobile devices, especially smartphones, can support rich functions and have developed into indispensable tools in daily life. With the rise of generative AI services, smartphones can potentially transform into personalized assistants, anticipating user needs and scheduling services accordingly. Predicting user intents on smartphones, and reflecting anticipated activities based on past interactions and context, remains a pivotal step towards this vision. Existing research predominantly focuses on specific domains, neglecting the challenge of modeling diverse event sequences across dynamic contexts. Leveraging pre-trained language models (PLMs) offers a promising avenue, yet adapting PLMs to on-device user intent prediction presents significant challenges. To address these challenges, we propose PITuning, a Population-to-Individual Tuning framework. PITuning enhances common pattern extraction through dynamic event-to-intent transition modeling and addresses long-tailed preferences via adaptive unlearning strategies. Experimental results on real-world datasets demonstrate PITuning’s superior intent prediction performance, highlighting its ability to capture long-tailed preferences and its practicality for on-device prediction scenarios.

چکیده به فارسی (ترجمه ماشینی)

دستگاه های تلفن همراه ، به ویژه تلفن های هوشمند ، می توانند از عملکردهای غنی پشتیبانی کنند و در زندگی روزمره به ابزارهای ضروری تبدیل شده اند.با افزایش خدمات تولید AI ، تلفن های هوشمند به طور بالقوه می توانند به دستیاران شخصی تبدیل شوند ، نیازهای کاربر و برنامه ریزی را بر این اساس پیش بینی می کنند.پیش بینی اهداف کاربر در تلفن های هوشمند و بازتاب فعالیت های پیش بینی شده بر اساس تعامل و زمینه گذشته ، گامی اساسی در جهت این دیدگاه باقی مانده است.تحقیقات موجود عمدتا بر حوزه های خاص متمرکز است و از چالش مدل سازی توالی های متنوع رویدادها در زمینه های پویا غفلت می کند.استفاده از مدلهای زبان از قبل آموزش یافته (PLM) یک خیابان امیدوارکننده را ارائه می دهد ، اما در عین حال سازگاری PLM ها با پیش بینی قصد کاربر در دستگاه چالش های قابل توجهی را ارائه می دهد.برای پرداختن به این چالش ها ، ما یک چارچوب تنظیم تنظیم جمعیت به فرد را پیشنهاد می کنیم.Pituning استخراج الگوی مشترک را از طریق مدل سازی انتقال رویداد به intent پویا تقویت می کند و ترجیحات طولانی مدت را از طریق استراتژی های آراسته سازگار می کند.نتایج تجربی در مجموعه داده های دنیای واقعی عملکرد پیش بینی قصد برتر Pituning را نشان می دهد ، و توانایی آن در گرفتن ترجیحات بلند و عملی آن برای سناریوهای پیش بینی در دستگاه را برجسته می کند.