論文の概要: EmoDebt: Bayesian-Optimized Emotional Intelligence for Strategic Agent-to-Agent Debt Recovery

• arxiv url: http://arxiv.org/abs/2503.21080v5
• Date: Mon, 13 Oct 2025 19:14:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 14:23:56.723093
• Title: EmoDebt: Bayesian-Optimized Emotional Intelligence for Strategic Agent-to-Agent Debt Recovery
• Title（参考訳）: EmoDebt: 戦略的エージェント対エージェント負債回復のためのベイズ最適化感情知能
• Authors: Yunbo Long, Yuhan Liu, Liming Xu, Alexandra Brintrup,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、負債収集のような感情に敏感なドメインの悪用に対して脆弱である。 EmoDebtは、ネゴシエーションにおける感情を表現するモデルの能力を、シーケンシャルな意思決定問題として再設計する感情インテリジェンスエンジンである。 提案したベンチマーク実験により,EmoDebtは戦略的堅牢性を実現し,非適応的,感情に依存しないベースラインを著しく上回った。
• 参考スコア（独自算出の注目度）: 65.30120701878582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The emergence of autonomous Large Language Model (LLM) agents has created a new ecosystem of strategic, agent-to-agent interactions. However, a critical challenge remains unaddressed: in high-stakes, emotion-sensitive domains like debt collection, LLM agents pre-trained on human dialogue are vulnerable to exploitation by adversarial counterparts who simulate negative emotions to derail negotiations. To fill this gap, we first contribute a novel dataset of simulated debt recovery scenarios and a multi-agent simulation framework. Within this framework, we introduce EmoDebt, an LLM agent architected for robust performance. Its core innovation is a Bayesian-optimized emotional intelligence engine that reframes a model's ability to express emotion in negotiation as a sequential decision-making problem. Through online learning, this engine continuously tunes EmoDebt's emotional transition policies, discovering optimal counter-strategies against specific debtor tactics. Extensive experiments on our proposed benchmark demonstrate that EmoDebt achieves significant strategic robustness, substantially outperforming non-adaptive and emotion-agnostic baselines across key performance metrics, including success rate and operational efficiency. By introducing both a critical benchmark and a robustly adaptive agent, this work establishes a new foundation for deploying strategically robust LLM agents in adversarial, emotion-sensitive debt interactions.
• Abstract（参考訳）: 自律型大規模言語モデル(LLM)エージェントの出現は、戦略的、エージェント間相互作用の新しいエコシステムを生み出した。 債務の回収のような高水準で感情に敏感なドメインでは、人間の対話で事前訓練されたLLMエージェントは、交渉を妨害するために否定的な感情をシミュレートする敵のエージェントによる搾取に脆弱である。 このギャップを埋めるために、我々はまず、シミュレーションされた債務回復シナリオの新しいデータセットとマルチエージェントシミュレーションフレームワークをコントリビュートする。 このフレームワーク内では、堅牢なパフォーマンスのために構築されたLLMエージェントであるEmoDebtを紹介する。 その中心となるイノベーションはベイズ最適化の感情情報エンジンで、交渉における感情を表現するモデルの能力を逐次的な意思決定問題として再設計する。 オンライン学習を通じて、このエンジンはEmoDebtの感情移行ポリシーを継続的に調整し、特定の債務者戦術に対する最適な対策策を発見する。 提案したベンチマークの大規模な実験により,EmoDebtは大きな戦略的堅牢性を実現し,成功率や運用効率など,主要なパフォーマンス指標における非適応性と感情非依存のベースラインを著しく上回ります。 クリティカルベンチマークとロバスト適応エージェントの両方を導入することにより、戦略的に堅牢なLDMエージェントを敵意的、感情に敏感な債務相互作用に展開するための新たな基盤を確立する。

関連論文リスト

• Are You Listening to Me? Fine-Tuning Chatbots for Empathetic Dialogue [0.5849783371898033]
  感情的にリッチなインタラクションを生成するタスクにおいて,Large Language Models (LLM) がどのように反応するかを検討する。 本研究では,感情分析(VADER)と専門家評価の両方を用いて,対話の感情的進行を分析した。
  論文  参考訳（メタデータ） (2025-07-03T11:32:41Z)
• AI with Emotions: Exploring Emotional Expressions in Large Language Models [0.0]
  大きな言語モデル(LLM)は、特定の感情状態で質問に答えるエージェントとしてロールプレイを行う。 ラッセルの「サイクムプレックス」モデルは、眠気(覚醒)と快楽(静寂)の軸に沿った感情を特徴づける。 評価の結果, 生成した回答の感情状態は, 仕様と一致していた。
  論文  参考訳（メタデータ） (2025-04-20T18:49:25Z)
• GatedxLSTM: A Multimodal Affective Computing Approach for Emotion Recognition in Conversations [35.63053777817013]
  GatedxLSTMは、会話におけるマルチモーダル感情認識(ERC)モデルである。 話者と会話相手の双方の声と書き起こしを考慮し、感情的なシフトを駆動する最も影響力のある文章を特定する。 4クラスの感情分類において,オープンソース手法間でのSOTA(State-of-the-art)性能を実現する。
  論文  参考訳（メタデータ） (2025-03-26T18:46:18Z)
• Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
  多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。 この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。 実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-07T21:37:51Z)
• EmoDynamiX: Emotional Support Dialogue Strategy Prediction by Modelling MiXed Emotions and Discourse Dynamics [12.105216351739422]
  EmoDynamiXは、ユーザの微粒な感情と、不均一なグラフを使用してシステム戦略の間の談話ダイナミクスをモデル化し、パフォーマンスと透明性を改善します。 2つのESCデータセットの実験結果から、EmoDynamiXは従来の最先端の手法よりも優れたマージンを持つことが示された。
  論文  参考訳（メタデータ） (2024-08-16T14:54:41Z)
• Self-Emotion Blended Dialogue Generation in Social Simulation Agents [18.781929161272853]
  本研究では,大規模言語モデル(LLM)に基づくシミュレーションフレームワークにおける対話戦略と意思決定において,自己感情がエージェントの行動にどのように影響するかを検討する。 その結果、自己感情を取り入れることで、エージェントはより人間的な対話戦略を提示できることがわかった。 エージェントが複数のトピックについて議論する仮想シミュレーション環境では,エージェントの自己感情がエージェントの意思決定プロセスに大きな影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2024-08-03T02:11:48Z)
• ECR-Chain: Advancing Generative Language Models to Better Emotion-Cause Reasoners through Reasoning Chains [61.50113532215864]
  CEE(Causal Emotion Entailment)は、ターゲット発話で表現される感情を刺激する会話における因果発話を特定することを目的としている。 CEEにおける現在の研究は、主に会話のセマンティックな相互作用と感情的な相互作用をモデル化することに焦点を当てている。 本研究では,会話中の感情表現から刺激を推測するために,ステップバイステップの推論手法である感情・因果関係(ECR-Chain)を導入する。
  論文  参考訳（メタデータ） (2024-05-17T15:45:08Z)
• Personality-affected Emotion Generation in Dialog Systems [67.40609683389947]
  ダイアログシステムに与えられた個性に基づいて感情を生成する新しいタスクであるパーソナリティ影響感情生成を提案する。 本課題の課題,すなわち,(1)個性と感情的要因を不均一に統合し,(2)対話場面における多粒性感情情報を抽出する。 その結果,感情生成性能はマクロF1では13%,重み付きF1では5%向上することが示唆された。
  論文  参考訳（メタデータ） (2024-04-03T08:48:50Z)
• Enhancing Emotional Generation Capability of Large Language Models via Emotional Chain-of-Thought [50.13429055093534]
  大規模言語モデル(LLM)は様々な感情認識タスクにおいて顕著な性能を示した。 本研究では,感情生成タスクにおけるLLMの性能を高めるための感情連鎖(ECoT)を提案する。
  論文  参考訳（メタデータ） (2024-01-12T16:42:10Z)
• Building Emotional Support Chatbots in the Era of LLMs [64.06811786616471]
  我々は,Large Language Models (LLMs) の計算能力で人間の洞察を合成する革新的な方法論を導入する。 また,ChatGPTの文脈内学習の可能性を利用して,ExTESと呼ばれる感情支援対話データセットを生成する。 次に、LLaMAモデルに高度なチューニング手法を展開し、多様なトレーニング戦略の影響を検証し、最終的に感情的支援の相互作用に細心の注意を払ってLLMを出力する。
  論文  参考訳（メタデータ） (2023-08-17T10:49:18Z)
• Facilitating Multi-turn Emotional Support Conversation with Positive Emotion Elicitation: A Reinforcement Learning Approach [58.88422314998018]
  感情支援会話(ESC)は、精神状態を改善するための感情支援(ES)を提供することを目的としている。 既存の作業は、ESへの影響を無視し、感情的なポジティブな移行を導くための明確な目標が欠如している、接地された応答と対応戦略に留まっている。 マルチターンESCを肯定的感情誘発のプロセスとして定式化する新しいパラダイムを導入する。
  論文  参考訳（メタデータ） (2023-07-16T09:58:44Z)
• Empathetic Dialogue Generation via Sensitive Emotion Recognition and Sensible Knowledge Selection [47.60224978460442]
  情緒的対話生成のためのシリアル・アンド・感情知識相互作用(SEEK)法を提案する。 我々は,会話中の感情のダイナミックス(感情の流れ)に敏感な微粒なエンコーディング戦略を用いて,応答の感情依存特性を予測するとともに,知識と感情の相互作用をモデル化し,より敏感な応答を生成する新しい枠組みを設計する。
  論文  参考訳（メタデータ） (2022-10-21T03:51:18Z)
• Towards Multi-Turn Empathetic Dialogs with Positive Emotion Elicitation [39.747587984500406]
  本稿では,肯定的な感情誘発を伴う共感的対話生成の課題について述べる。 エージェントは、マルチターンダイアログにおいて、ユーザのポジティブ感情を引き出すターゲットとともに共感応答を行う。 我々はPosEmoDialと呼ばれる肯定的な感情誘発を伴う大規模感情対話データセットを収集する。
  論文  参考訳（メタデータ） (2022-04-22T05:32:08Z)
• Towards Emotion-Aware Agents For Negotiation Dialogues [2.1454205511807234]
  交渉は、人間の意思決定における感情的な出会いをカプセル化する複雑な社会的相互作用である。 人間と交渉できるバーチャルエージェントは、教育と会話のAIに役立ちます。 交渉から抽出した感情特性が予測にどの程度役立つかを分析する。
  論文  参考訳（メタデータ） (2021-07-28T04:42:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。