대규모 언어 모델(LLM)의 급속한 발전에 따라 개별 사용자 선호도에 모델 동작을 적응시키는 효과적인 개인화 기술에 대한 요구가 증가하고 있습니다. 본 논문에서는 동적 사용자 패턴과 높은 데이터 희소성 시나리오를 처리하는 데 한계가 있는 기존 개인화 기법의 문제를 해결하기 위해, 사용자 데이터로부터 샘플 수준의 간섭 벡터를 동적으로 생성하여 모델의 순방향 패스에 주입하는 미세 조정 및 인스턴스 맞춤형 조향 프레임워크를 제안합니다. 이 프레임워크는 어텐션 및 MLP 레이어의 활성화를 후킹하여 미묘한 신호를 캡처하는 미세 조정 구성 요소와 이러한 신호를 상황에 맞는 향상으로 합성하는 입력 인식 집계 모듈을 포함합니다. 제안된 방법은 빠른 변화 환경과 높은 데이터 희소성 시나리오에서 높은 유연성과 데이터 효율성을 입증하며, 기존 방법과 호환되는 플러그인 구성 요소로 작동합니다. 다양한 시나리오(단문-장문 텍스트 생성, 웹 기능 호출 등)에 대한 광범위한 실험을 통해 제안된 방법의 효과와 호환성을 검증했습니다.
