本論文では、戦略的分類（SC）における特徴の操作方法を研究し、大規模言語モデル（LLM）を活用して、よりスケーラブルで効率的なSCフレームワークを設計する方法を探求します。従来のSC手法は主に線形モデルや浅層ニューラルネットワークに基づいているため、現実のデータセット、特に金融サービスやインターネット分野では限界があります。提案するGLIMは、イン・コンテキスト学習に基づく勾配不要のSC手法で、自己注意のフィードフォワードプロセス中に、SCの特徴操作と意思決定規則最適化の二層最適化プロセスを暗黙的にシミュレートします。このアプローチは、LLMの微調整なしに、動的な戦略環境においてコスト効率良く適応できる利点を持ち、実際のデータセットと合成データセットにおいて実験によりそのロバスト性と効率性が確認されました。