Prefix-tuningは、大規模な事前学習済み言語モデルを下流の応用タスクに適応させるための強力な軽量技術である。しかし、従来のPrefix-tuningは、データセット内のすべてのサンプルに対して同一のデータセットレベルでの調整済みプロンプトを使用している。本研究ではこのアイデアを拡張し、条件付きの入力依存情報を組み込むことが可能な動的アプローチである「Control Prefixes」を提案する。この手法は、プロンプトチューニングと制御生成の利点を統合し、事前学習されたTransformerの異なる層に属性レベルでの学習可能な表現を組み込むことで、生成テキストを特定の方向へ誘導可能とする。本研究では、自然言語生成（NLG）におけるGEMベンチマークから得られた5つのデータセットを対象に、本手法の体系的な評価を実施した。パラメータ効率性を目的としているが、Control Prefixesが完全微調整（full fine-tuning）手法を上回る性能を示すことも明らかにした。特にWebNLGを含む複数のデータからテキスト生成タスクにおいて、最先端の結果を達成した。