Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

EvoEmo: Towards Evolved Emotional Policies for LLM Agents in Multi-Turn Negotiation

Created by
  • Haebom

作者

Yunbo Long, Liming Xu, Lukas Beckenbauer, Yuhan Liu, Alexandra Brintrup

概要

本論文は、大規模言語モデル(LLM)における思考連鎖(CoT)推論を用いた複雑で多重にわたる交渉の研究に基づいて、既存のLLMエージェントの感情表現の機能的役割の見落とし問題を指摘する。既存のエージェントは受動的で好みに基づいた感情反応を生成し、相手の操作や戦略的利用に脆弱であるということだ。これを解決するために、この論文は交渉における動的な感情表現を最適化する進化強化学習フレームワークであるEvoEmoを提示します。 EvoEmoは、マルコフ意思決定プロセスとして感情状態遷移をモデル化し、様々な交渉シナリオで高い報酬を得る感情政策を進化させるために、集団ベースの遺伝的最適化を使用します。さらに、基準戦略と固定感情戦略の2つのベースラインを使用して、感情認識交渉をベンチマークするための評価フレームワークを提案します。広範な実験とablation studyは、EvoEmoが2つのベースラインよりも一貫して優れた性能を示し、成功率、効率性、バイヤーの節約を高めることを示しています。これらの結果は、多重交渉のためのより効果的なLLMエージェントを可能にする適応的な感情表現の重要性を強調しています。

Takeaways、Limitations

Takeaways:
LLMエージェントの交渉能力を向上させるために感情表現の役割を考慮する必要があることを示した。
EvoEmoフレームワークは、感情認識交渉エージェントを開発するための効果的な方法論を提示します。
適応感情表現が交渉の成功率、効率性、バイヤー節約の向上に貢献することを実験的に証明した。
Limitations:
EvoEmoのパフォーマンス評価が特定の交渉シナリオに限定される可能性。
実際の世界の複雑な交渉状況を完全に反映できない可能性。
感情表現の多様性とニュアンスを十分に捉えられない可能性。
EvoEmoが使用する感情モデルの一般化の可能性に関するさらなる研究の必要性
👍