実用的な大規模言語モデルに基づく次のPOI予測におけるデモンストレーション選択の比較研究
arXiv cs.CL / 2026/4/9
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、歴史的なチェックインデータを用い、大規模言語モデル（LLM）とインコンテキスト学習（ICL）による次の地点（POI: point-of-interest）予測について、複数のデモンストレーション選択戦略を比較する。
- デモンストレーションの選択がICLの有効性に強く影響することを示し、恣意的あるいは単一目的の手法に頼るのではなく、選択方法を体系的に比較する必要性を動機づける。
- 3つの実世界データセットにおいて、地理的近接性、時間的順序付け、連続パターンといった単純なヒューリスティックが、より複雑でコストの高い埋め込みベースのデモンストレーション選択手法を、精度と計算コストの両面で上回る。
- 場合によっては、これらのヒューリスティックで選ばれたデモンストレーションを用いてプロンプトしたLLMが、追加学習なしで既存の微調整済みモデルを上回ることがあり、実運用上の利点が示唆される。
- 著者らは関連するコードベースを公開しており、実世界のPOI/軌跡予測システムに対する再現やさらなる実験を可能にしている。
