본 논문은 대규모 언어 모델(LLM)을 이용한 임의 스타일 전이에서 발생하는 두 가지 주요 과제, 즉 수동으로 구성된 프롬프트에 대한 과도한 의존성과 LLM에 내재된 엄격한 스타일 편향 문제를 해결하기 위해 새로운 Synthesize-then-Decode(SynDec) 방법을 제안한다. SynDec는 대표적인 소수 샷 샘플을 선택하고 4차원 스타일 분석을 수행하여 후보를 재순위화함으로써 고품질 프롬프트를 자동으로 생성한다. LLM 디코딩 단계에서는 합성된 프롬프트가 있는 경우와 없는 경우의 출력 확률 간의 대조를 극대화하고, 프롬프트와 부정적 샘플 간의 대조를 극대화하여 TST 효과를 증폭시킨다. 실험 결과, SynDec는 6개 벤치마크 중 5개에서 기존 최첨단 LLM 기반 방법보다 우수한 성능을 보였으며(예: 현대 영어에서 엘리자베스 시대 영어로의 전이에서 정확도가 최대 9% 증가), 추가적인 절제 연구를 통해 SynDec의 효과를 검증하였다.
