대규모 언어 모델(LLM)이 다양한 실제 응용 분야에 사용되면서 LLM의 개인화가 중요해지고 있습니다. 프롬프트 기반 및 학습 기반 방법을 포함한 다양한 LLM 개인화 접근 방식이 활발히 연구되고 있지만, 효과적인 디코딩 시간 알고리즘의 개발은 잠재력에도 불구하고 간과되어 왔습니다. 본 논문에서는 사용자별 데이터에 대한 매개변수 효율적 미세 조정(PEFT) 수행 후에 적용되는 새로운 디코딩 시간 접근 방식인 CoPe(Contrasting Personal Preference)를 제안합니다. 핵심 아이디어는 각 사용자의 암묵적 보상 신호를 최대화하여 개인화를 위해 특히 보상 유도 디코딩을 활용하는 것입니다. CoPe를 다섯 가지 개방형 개인화 텍스트 생성 작업에 걸쳐 평가했습니다. 실험 결과 CoPe는 외부 보상 모델이나 추가 훈련 절차에 의존하지 않고도 ROUGE-L에서 평균 10.57% 향상된 강력한 개인화 성능을 달성했습니다.
